論文の概要: RECAP: Transparent Inference-Time Emotion Alignment for Medical Dialogue Systems

• arxiv url: http://arxiv.org/abs/2509.10746v1
• Date: Fri, 12 Sep 2025 23:30:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.759697
• Title: RECAP: Transparent Inference-Time Emotion Alignment for Medical Dialogue Systems
• Title（参考訳）: RECAP:医療対話システムのための透過的推論時間感情アライメント
• Authors: Adarsh Srinivasan, Jacob Dineen, Muhammad Umar Afzal, Muhammad Uzair Sarfraz, Irbaz B. Riaz, Ben Zhou,
• Abstract要約: 医療における大きな言語モデルは、しばしば批判的な感情的な手がかりを見逃し、医療的に健全だが感情的に平坦なアドバイスを提供する。 本稿では、再学習なしに構造化された感情的推論を追加する推論時フレームワークRECAPを提案する。
• 参考スコア（独自算出の注目度）: 5.725572628136799
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models in healthcare often miss critical emotional cues, delivering medically sound but emotionally flat advice. This is especially problematic in clinical contexts where patients are distressed and vulnerable, and require empathic communication to support safety, adherence, and trust. We present RECAP (Reflect-Extract-Calibrate-Align-Produce), an inference-time framework that adds structured emotional reasoning without retraining. By decomposing empathy into transparent appraisal-theoretic stages and exposing per-dimension Likert signals, RECAP produces nuanced, auditable responses. Across EmoBench, SECEU, and EQ-Bench, RECAP improves emotional reasoning by 22-28% on 8B models and 10-13% on larger models over zero-shot baselines. Clinician evaluations further confirm superior empathetic communication. RECAP shows that modular, theory-grounded prompting can systematically enhance emotional intelligence in medical AI while preserving the accountability required for deployment.
• Abstract（参考訳）: 医療における大きな言語モデルは、しばしば批判的な感情的な手がかりを見逃し、医療的に健全だが感情的に平坦なアドバイスを提供する。 これは、患者が苦しみ、脆弱であり、安全、順守、信頼をサポートするために共感的なコミュニケーションを必要とする臨床的文脈において特に問題となる。 本稿では,RECAP(Reflect-Extract-Calibrate-Align-Produce)を提案する。 共感を透明な評価理論段階に分解し、次元ごとのLikert信号を公開することで、RECAPはニュアンスで聴覚可能な応答を生成する。 EmoBench、SECEU、EQ-Bench全体で、RECAPは8Bモデルで22～28%、ゼロショットベースラインで10～13%の感情的推論を改善する。 臨床評価は、上質な共感コミュニケーションを更に確認する。 RECAPは、モジュール化された理論に基づくプロンプトが、デプロイメントに必要な説明責任を維持しながら、医療AIの感情的インテリジェンスを体系的に強化することを示している。

関連論文リスト

• E-THER: A Multimodal Dataset for Empathic AI - Towards Emotional Mismatch Awareness [3.8298581733964903]
  E-THERは言語・視覚的不一致検出のための多次元アノテーションを付加したパーソナライズ・センタード・セラピー・グラウンドド・マルチモーダル・データセットである。 一致訓練されたモデルが、臨界特性において汎用モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-02T08:58:32Z)
• COMPEER: Controllable Empathetic Reinforcement Reasoning for Emotional Support Conversation [47.0476311232988]
  本稿では、自然言語推論と構造化された心理的ステップを組み合わせた、制御可能な共感推論を提案する。 我々は、正確なフィードバックを提供する統一されたプロセスアウトカム報酬モデルによる強化学習を採用する。 提案手法は,共感的,人間的支援システムの開発を推し進め,モデルの感情支援能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-08-13T06:09:32Z)
• RLVER: Reinforcement Learning with Verifiable Emotion Rewards for Empathetic Agents [67.46032287312339]
  大規模言語モデル(LLM)は論理的およびアルゴリズム的推論において優れているが、彼らの感情的知性(EQ)は認知能力よりもはるかに遅れている。 シミュレーションユーザによる検証可能な感情報酬を活用する,最初のエンドツーエンド強化学習フレームワークであるRLVERを紹介する。 以上の結果から,RLVERは感情的知的で幅広い言語エージェントへの実践的な経路であることが示唆された。
  論文  参考訳（メタデータ） (2025-07-03T18:33:18Z)
• Balancing Knowledge Delivery and Emotional Comfort in Healthcare Conversational Systems [24.901611078628527]
  我々は、大規模言語モデルを用いて、現実世界の対話型医療対話データセットを書き換える。 患者に対するネガティブな感情とそれに対応する医学的反応を提示し,その懸念に対処しながら患者の感情を和らげる。
  論文  参考訳（メタデータ） (2025-06-16T16:54:03Z)
• IntentionESC: An Intention-Centered Framework for Enhancing Emotional Support in Dialogue Systems [74.0855067343594]
  感情的支援の会話では、意図の不明確さは、支持者に不適切な戦略を採用させる可能性がある。 Intention-centered Emotional Support Conversation frameworkを提案する。 支援者の意図を定義し、これらの意図を推測するための重要な感情状態の側面を特定し、それらを適切な支援戦略にマッピングする。
  論文  参考訳（メタデータ） (2025-06-06T10:14:49Z)
• R-CAGE: A Structural Model for Emotion Output Design in Human-AI Interaction [2.1828601975620257]
  R-CAGEは、人間とAIの長期的な相互作用において、感情的な出力を再構築するための理論的枠組みである。 R-CAGEは、感情リズム、感覚強度、解釈能力を構造的に調節することにより、感情をパフォーマンス出力ではなく、持続可能なデザイン単位としてフレーム化する。
  論文  参考訳（メタデータ） (2025-05-11T15:30:23Z)
• Towards Empathetic Conversational Recommender Systems [77.53167131692]
  本稿では,共感型会話レコメンデータ(ECR)フレームワークを提案する。 ECRには、感情対応アイテムレコメンデーションと感情対応応答生成という、2つの主要なモジュールが含まれている。 ReDialデータセットの実験は、推奨精度を高め、ユーザの満足度を向上させる上で、我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2024-08-30T15:43:07Z)
• APTNESS: Incorporating Appraisal Theory and Emotion Support Strategies for Empathetic Response Generation [71.26755736617478]
  共感反応生成は、他人の感情を理解するように設計されている。 検索強化と感情支援戦略統合を組み合わせたフレームワークを開発する。 我々の枠組みは認知的・情緒的共感の両面からLLMの共感能力を高めることができる。
  論文  参考訳（メタデータ） (2024-07-23T02:23:37Z)
• K-ESConv: Knowledge Injection for Emotional Support Dialogue Systems via Prompt Learning [83.19215082550163]
  K-ESConvは、感情支援対話システムのための、新しい学習に基づく知識注入手法である。 本研究では,情緒的支援データセットESConvを用いて,外部の専門的情緒的Q&Aフォーラムから知識を抽出し,組み込んだモデルを評価した。
  論文  参考訳（メタデータ） (2023-12-16T08:10:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。