论文
BioLLMAgent：面向计算精神病学人类决策模拟的增强结构可解释性混合框架
BioLLMAgent: A Hybrid Framework with Enhanced Structural Interpretability for Simulating Human Decision-Making in Computational Psychiatry
摘要
计算精神病学面临一个根本性权衡：传统强化学习（RL）模型具备可解释性但缺乏行为真实性，而大型语言模型（LLM）Agent能生成真实行为却缺乏结构可解释性。我们提出BioLLMAgent，一个将经过验证的认知模型与LLM生成能力相结合的新型混合框架。该框架包含三个核心组件：(i)用于经验驱动价值学习的内部RL引擎；(ii)用于高层认知策略和治疗干预的外部LLM壳层；(iii)通过加权效用整合各组件的决策融合机制。在Iowa Gambling Task（IGT）上跨六个临床与健康数据集的全面实验表明，BioLLMAgent准确再现人类行为模式，同时保持出色的参数可辨识性（相关性>0.67）。此外，该框架成功模拟了认知行为疗法（CBT）原则，并通过多Agent动态揭示社区层面的教育干预可能优于个体治疗。该框架在奖惩学习和时间折扣任务上得到验证，为精神病学研究中检验机制假说与干预策略提供了一个结构可解释的"计算沙盒"。
