使用多代理语言模型自动检测和分类自然音频日记中的妄想相关内容

在自然环境中记录的言语独白提供了描述精神疾病现象学特征和检测症状恶化的机会。 大语言模型 (LLM) 为自动化此过程提供了新的可能性，因为它们需要带注释的数据主要用于评估而不是训练。在本文中，我们提出了一种新颖的自动化、多代理 LLM 管道，用于细粒度、多标签提取暗示妄想信念的语言、相关的情感反应和从具有中度迫害意念的人收集的自然音频日记记录中的行为反应。通过评估三个基础模型的集合，我们证明了详细的诊断提示指令成功地减少了妄想主题分类的误报，但也限制了对情感或行为反应的解释。此外，比较多智能体裁决框架表明，智能体之间复杂的对话辩论会导致过早达成共识，从而降低了临床模糊文本的准确性。相反，多数投票建立了稳健的性能（妄想检测和分类的 Micro F1 分别为 0.872 和 0.779）。这项工作提供了一个经过验证且可扩展的管道，用于自动检测和表征自然语音中暗示妄想信念的内容。