超越信息寻求：主动医疗对话的严重性问题监督

主动的医疗对话需要智能体根据不完整的患者信息决定要询问什么。现有的信息寻求方法通常优先考虑最能减少诊断不确定性的问题，但这一标准忽视了医学诊断的一个重要特性：不同的诊断错误可能会带来截然不同的后果。因此，信息最丰富的问题​​可能不同于对下游决策最有价值的问题。我们提出预期严重性风险（ESR），这是一种后果意识问题监督目标，通过其严重性意识终端风险的预期降低来评估每个候选人。由于必须在观察答案之前选择问题，因此 ESR 使用仅训练的人口统计数据边缘化了可能的答案。然后，其排名被提炼为仅前缀的语言策略，在部署时无需进行教师端风险计算。在 DDxPlus 上的三个匹配的 Qwen3-4B 训练种子中，ESR 将平均高严重性诊断失误从 0.0645 降低到 0.0455（相对降低 29.5%），并将平均诊断准确性从 0.9123 提高到 0.9320，同时每个对话仅需要 0.14 个额外问题。固定预算分析表明，当控制问题数时，这种区别仍然存在，而匹配的预期 0/1 风险学生控制进一步隔离了不对称严重性权重的贡献。这些结果支持将积极的医疗对话从减少不确定性转向注重结果的证据获取。