К эффективной и надежной лингвистической диагностике эмоций для психического здоровья через многоагентное уточнение инструкций

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

January 20, 2026

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

cs.AI

Аннотация

Лингвистические выражения эмоций, таких как депрессия, тревога и состояния, связанные с травмой, широко распространены в клинических записях, консультационных диалогах и онлайн-сообществах по психическому здоровью, а их точное распознавание крайне важно для клинического триажа, оценки рисков и своевременного вмешательства. Хотя большие языковые модели (БЯМ) продемонстрировали высокую способность к обобщению в задачах анализа эмоций, их диагностическая надежность в высокорисковых, контекстно-насыщенных медицинских условиях остается крайне чувствительной к дизайну промптов. Более того, существующие методы сталкиваются с двумя ключевыми проблемами: эмоциональной коморбидностью, когда множественные переплетенные эмоциональные состояния усложняют прогнозирование, и неэффективным исследованием клинически релевантных маркеров. Для решения этих проблем мы предлагаем APOLO (Automated Prompt Optimization for Linguistic Emotion Diagnosis) — фреймворк, который систематически исследует более широкое и детализированное пространство промптов для повышения диагностической эффективности и устойчивости. APOLO формулирует уточнение инструкций как частично наблюдаемый марковский процесс принятия решений и использует механизм многокомпонентного взаимодействия, включающего роли Планировщика, Учителя, Критика, Ученика и Цели. В рамках этой замкнутой системы Планировщик определяет траекторию оптимизации, в то время как агенты Учитель-Критик-Ученик итеративно уточняют промпты для повышения стабильности и эффективности рассуждений, а агент Цели определяет, следует ли продолжать оптимизацию на основе оценки производительности. Результаты экспериментов показывают, что APOLO последовательно повышает диагностическую точность и устойчивость на предметно-ориентированных и стратифицированных тестах, демонстрируя масштабируемую и обобщаемую парадигму для надежного применения БЯМ в сфере психического здоровья.

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.