从大型题库中选择最佳问题，用于精神病学对话中的临床现场恢复

精神病学摄入是一个连续的、高风险的信息收集过程，临床医生必须决定要问什么、按什么顺序以及如何在有限的时间内解释不完整或模糊的反应。尽管人们对医疗保健领域的对话式人工智能越来越感兴趣，但该应用程序中对话式人工智能的基础设施仍然有限。因此，我们将此任务制定为一个问题选择问题，具有临床基础的问题、已知的目标信息和可控的患者难度。我们还引入了一个特定于任务的问题选择基准，该基准基于 655 个临床医生编写的摄入问题以及具有 5 种不同行为条件的相应合成患者片段。在我们的评估中，我们比较了随机提问、临床精神病学摄入量基线和 LLM 指导的适应性政策，涵盖 4 名患者和 5 种行为状况的 300 次访谈。在整个基准测试中，临床订购的固定形式大大优于随机询问，并且 LLM 指导的策略实现了最强的整体恢复。在不太适合现场恢复的患者行为下，适应的优势会急剧增加，特别是在受保护的简洁条件下。这些发现表明，会话式临床系统的性能不仅取决于信息披露后的语言理解，还取决于系统是否在有限的交互预算内达到正确的主题。更广泛地说，该基准提供了一个受控框架，用于研究临床结构和适应性随访如何有助于交互式临床机器学习中的信息恢复。