从综合到临床援助：基于真实临床数据集的自闭症干预策略感知代理框架

人工智能辅助的自闭症谱系障碍（ASD）早期强化行为干预（EIBI）的发展受到数据稀缺的严重限制。此外，虽然应用行为分析 (ABA) 是临床干预的黄金标准，但通用 大语言模型 (LLM) 很难严格遵守其标准化程序，常常导致语言上流畅但策略上不一致的交互。为了应对这些挑战，我们引入了 \textsc{ASDAgent}，这是一个策略感知框架，旨在统一高保真干预对话合成和临床决策支持。 \textsc{ASDAgent} 包含两个专门的组件来解决不同的问题：（i）一个 \textsc{DoctorAgent} 配备了观察-思考-行动-正确（O-T-A-C）推理循环，通过使 ABA 执行明确且可控，解决了 LLM 中策略崩溃的问题； (ii) \textsc{ChildAgent}，它利用概率行为建模来减轻数据同质性，模拟多样化和非确定性的 ASD 响应模式。实验表明，由 \textsc{ASDAgent} 生成的对话密切反映了人类治疗师的策略分布（KL 散度：0.083）。在真正的自闭症干预中，\textsc{ASDAgent} 与人类专家实现了近 80\% 的策略一致性。此外，我们表明 \textsc{ASDAgent} 生成的合成数据有效地将专业临床知识提炼成小语言模型（SLM），从而显着增强其治疗能力。