aiassessmentedtechmental healthllm

ADAPTS：用於自動化、跨協定症狀追蹤的代理分解框架

arXiv - Human-Computer InteractionAlexandria K. Vail, Marcelo Cicconet, Katie Aafjes-van Doorn, Ryan Maroney, Marc Aafjes

提出一種基於多代理 LLM 架構的框架，能將長篇臨床訪談分解為特定症狀任務，實現精準的憂鬱與焦慮評估。

AI 幫你先抓重點

AI 重點 1

從「單一模型」轉向「代理分解（Agentic Decomposition）」的推理模式

滑鼠懸停看 AI 判斷理由
這改變了我們對 AI 處理複雜任務的認知。不再依賴單一 Prompt 處理整段對話，而是將複雜臨床指標拆解為多個具備可審計理由的子任務，這對於需要高透明度與解釋性的評估領域至關重要。
AI 重點 2

協定無關性（Protocol-agnostic）帶來的評估標準化潛力

滑鼠懸停看 AI 判斷理由
傳統臨床評估高度依賴特定訪談格式，而此框架能適應不同結構的對話，這意味著 AI 可以跨越不同醫療體系或語言習慣，提供一種更具規模化且客觀的心理健康監測工具。

核心研究發現

  1. 1

    ADAPTS 框架在處理高差異訪談時，其自動評分與專家基準的絕對誤差（22）優於原始人工評分（26）。

  2. 2

    透過實施結合定性臨床慣例的「擴展」協定，能顯著穩定評分結果，其組內相關係數 ICC(2,1) 高達 0.877。

  3. 3

    該架構具備高度擴展性，目前的純文本實作未來可輕易整合音訊與視覺等多模態輸入數據。

對教育工作者的啟發

雖然此研究聚焦於臨床心理評估，但其「任務分解」與「可審計推理」的架構對教育科技極具啟發。在設計自動化學習評估系統（如 PBL 專題表現評量）時，教育者不應僅要求 AI 給出分數，而應模仿 ADAPTS 的做法，將評量標準拆解為多個具體的觀察維度（如批判性思考、協作能力），並要求 AI 針對每個維度提供具體的證據與理由，從而建立更具信度且透明的自動化評分機制。

原始文獻資訊

英文標題：
ADAPTS: Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms
作者：
Alexandria K. Vail, Marcelo Cicconet, Katie Aafjes-van Doorn, Ryan Maroney, Marc Aafjes
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
/models/gemma-4-26B-A4B-it
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。