Rumo a um Diagnóstico Linguístico de Emoções Eficiente e Robusto para a Saúde Mental via Refinamento de Instruções por Multiagentes

Towards Efficient and Robust Linguistic Emotion Diagnosis for Mental Health via Multi-Agent Instruction Refinement

January 20, 2026

Autores: Jian Zhang, Zhangqi Wang, Zhiyuan Wang, Weiping Fu, Yu He, Haiping Zhu, Qika Lin, Jun Liu

cs.AI

Resumo

Expressões linguísticas de emoções como depressão, ansiedade e estados relacionados a traumas são ubíquas em notas clínicas, diálogos de aconselhamento e comunidades online de saúde mental, sendo o reconhecimento preciso dessas emoções essencial para triagem clínica, avaliação de risco e intervenção oportuna. Embora os grandes modelos de linguagem (LLMs) tenham demonstrado forte capacidade de generalização em tarefas de análise emocional, sua confiabilidade diagnóstica em contextos médicos de alto risco e intensivos em contexto permanece altamente sensível ao *design* de *prompts*. Além disso, os métodos existentes enfrentam dois desafios principais: a comorbidade emocional, na qual múltiplos estados emocionais interligados complicam a predição, e a exploração ineficiente de pistas clinicamente relevantes. Para enfrentar esses desafios, propomos o APOLO (*Automated Prompt Optimization for Linguistic Emotion Diagnosis*), uma estrutura que explora sistematicamente um espaço de *prompts* mais amplo e de granularidade mais fina para melhorar a eficiência e robustez diagnósticas. O APOLO formula o refinamento de instruções como um Processo de Decisão Markoviano Parcialmente Observável e adota um mecanismo de colaboração multiagente envolvendo os papéis de Planejador, Professor, Crítico, Aluno e Alvo. Dentro desta estrutura de ciclo fechado, o Planejador define uma trajetória de otimização, enquanto os agentes Professor-Crítico-Aluno refinam iterativamente os *prompts* para melhorar a estabilidade e eficácia do raciocínio, e o agente Alvo determina se deve continuar a otimização com base na avaliação de desempenho. Resultados experimentais mostram que o APOLO melhora consistentemente a precisão e robustez diagnósticas em *benchmarks* estratificados e específicos de domínio, demonstrando um paradigma escalável e generalizável para aplicações confiáveis de LLMs na área da saúde mental.

English

Linguistic expressions of emotions such as depression, anxiety, and trauma-related states are pervasive in clinical notes, counseling dialogues, and online mental health communities, and accurate recognition of these emotions is essential for clinical triage, risk assessment, and timely intervention. Although large language models (LLMs) have demonstrated strong generalization ability in emotion analysis tasks, their diagnostic reliability in high-stakes, context-intensive medical settings remains highly sensitive to prompt design. Moreover, existing methods face two key challenges: emotional comorbidity, in which multiple intertwined emotional states complicate prediction, and inefficient exploration of clinically relevant cues. To address these challenges, we propose APOLO (Automated Prompt Optimization for Linguistic Emotion Diagnosis), a framework that systematically explores a broader and finer-grained prompt space to improve diagnostic efficiency and robustness. APOLO formulates instruction refinement as a Partially Observable Markov Decision Process and adopts a multi-agent collaboration mechanism involving Planner, Teacher, Critic, Student, and Target roles. Within this closed-loop framework, the Planner defines an optimization trajectory, while the Teacher-Critic-Student agents iteratively refine prompts to enhance reasoning stability and effectiveness, and the Target agent determines whether to continue optimization based on performance evaluation. Experimental results show that APOLO consistently improves diagnostic accuracy and robustness across domain-specific and stratified benchmarks, demonstrating a scalable and generalizable paradigm for trustworthy LLM applications in mental healthcare.