論文の概要: CATCH: A Novel Data Synthesis Framework for High Therapy Fidelity and Memory-Driven Planning Chain of Thought in AI Counseling

• arxiv url: http://arxiv.org/abs/2509.25733v1
• Date: Tue, 30 Sep 2025 03:44:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.004954
• Title: CATCH: A Novel Data Synthesis Framework for High Therapy Fidelity and Memory-Driven Planning Chain of Thought in AI Counseling
• Title（参考訳）: CATCH:AIカウンセリングにおける思考の忠実性と記憶駆動型計画チェーンのための新しいデータ合成フレームワーク
• Authors: Mingyu Chen, Jingkai Lin, Zhaojie Chu, Xiaofen Xing, Yirong Chen, Xiangmin Xu,
• Abstract要約: CATCHはこれらの課題に対処するために設計された新しいデータ合成フレームワークである。 治療の忠実度を改善するために, プログレッシブ・ダイアログ合成戦略を導入する。 各応答の背後にある意思決定の根拠を捉えるために、メモリ駆動思考パターンを提案する。
• 参考スコア（独自算出の注目度）: 33.31877691538151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, advancements in AI counseling based on large language models have shown significant progress. However, existing studies employ a one-time generation approach to synthesize multi-turn dialogue samples, resulting in low therapy fidelity and failing to capture the decision-making rationale behind each response. In this work, we propose CATCH, a novel data synthesis framework designed to address these challenges. Specifically, to improve therapy fidelity, we introduce the Progressive Dialogue Synthesis strategy, which extracts goals, resources, and solutions from a client's self-report, organizes them into structured outlines, and then incrementally generates stage-aligned counseling dialogues. To capture decision-making rationale behind each response, we propose the Memory-Driven Dynamic Planning thinking pattern that integrates memory enhancement, global planning, and strategy reasoning; a collaborative multi-agent optimizer then leverages MDP to attach explicit chain-of-thought to each dialogue turn. Extensive experiments and human evaluations demonstrate that CATCH significantly enhances fidelity and logical coherence in AI counseling.
• Abstract（参考訳）: 近年,大規模言語モデルに基づくAIカウンセリングの進歩が顕著に進んでいる。 しかし、既存の研究では、マルチターンダイアログサンプルを合成するための1回生成アプローチを採用しており、治療精度が低く、各応答の背後にある意思決定の根拠を捉えられていない。 本研究では,これらの課題に対処するための新しいデータ合成フレームワークであるCATCHを提案する。 具体的には、治療の忠実性を改善するために、クライアントの自己報告から目標、リソース、ソリューションを抽出し、それらを構造化されたアウトラインに整理し、段階的なカウンセリング対話を段階的に生成するプログレッシブ・ダイアログ合成戦略を導入する。 協調型マルチエージェントオプティマイザはMDPを利用して各対話のターンに明示的なチェーン・オブ・シークレットを付加する。 大規模な実験と人間の評価により、CATCHはAIカウンセリングにおける忠実度と論理的コヒーレンスを著しく向上させることが示された。

関連論文リスト

• PRINCIPLES: Synthetic Strategy Memory for Proactive Dialogue Agents [16.819463022406627]
  本稿では,プロアクティブ対話エージェントのための合成戦略メモリPRINCIPLESを提案する。 PRINCIPLESは、オフラインのセルフプレイシミュレーションから派生し、戦略計画のガイドとなる再利用可能な知識として機能する。 感情的支援領域と説得領域の両方においてPRINCIPLESを評価し,強いベースラインよりも一貫した改善が示された。
  論文  参考訳（メタデータ） (2025-09-22T07:53:59Z)
• Crisp: Cognitive Restructuring of Negative Thoughts through Multi-turn Supportive Dialogues [75.16593367473259]
  認知的再構成(Cognitive Restructuring, CR)は、個人の否定的思考を識別し、再構成することを目的とした精神療法のプロセスである。 既存の取り組みでは、単純なテキストの書き直し、固定パターンの対話、あるいはワンショットのCRワークフローを通じてCRを実装している。 本稿では,CRの新しいフレームワークであるCRDialを提案する。
  論文  参考訳（メタデータ） (2025-04-24T04:22:00Z)
• Meta-Reasoner: Dynamic Guidance for Optimized Inference-time Reasoning in Large Language Models [35.82665698868508]
  大規模言語モデル(LLM)は、推論時間の間に高い計算時間とエラーの伝播に苦労する。 提案するMeta-Reasonerは,LLMが推論時間における推論方法の戦略を調整することで,推論計算を最適化するための新しいフレームワークである。 提案手法は,従来のSOTA法よりも9～12%向上し,推論時間を28～35%短縮する。
  論文  参考訳（メタデータ） (2025-02-27T09:40:13Z)
• Script-Based Dialog Policy Planning for LLM-Powered Conversational Agents: A Basic Architecture for an "AI Therapist" [0.0]
  大規模言語モデル(LLM)による会話エージェントは,行動医療の大規模サポートをユーザに提供する可能性を秘めている。 対話型エージェントにおける対話型ポリシー計画のための新しいパラダイムを導入し、専門家が書いた「スクリプト」に従って行動できるようにする。 我々は,異なるプロンプト技術を用いてスクリプトベースの対話ポリシー計画法を2種類実装し,LLM患者との合計100の会話を合成する。
  論文  参考訳（メタデータ） (2024-12-13T12:12:47Z)
• Planning Like Human: A Dual-process Framework for Dialogue Planning [31.995557540062553]
  大規模言語モデル(LLM)における対話計画を強化するための2段階対話計画フレームワークを提案する。 心理学における二重過程理論に触発されて、直感的(高速)と分析的(スロー)の2つの思考様式を具現化した枠組みを提案する。 実験により,DPDPが高品質な対話と操作効率を両立し,既存手法よりも優れていることを確認した。
  論文  参考訳（メタデータ） (2024-06-08T06:52:47Z)
• Plug-and-Play Policy Planner for Large Language Model Powered Dialogue Agents [121.46051697742608]
  そこで本稿では,PDPPという言語モデルプラグインを用いて対話問題を整理するための新たな対話ポリシー計画パラダイムを提案する。 具体的には、利用可能な人間の注釈付きデータに対する教師付き微調整を容易にするための新しいトレーニングフレームワークを開発する。 PPDPPは3つの異なるプロアクティブな対話アプリケーションにおいて、既存のアプローチを一貫して、実質的に上回っている。
  論文  参考訳（メタデータ） (2023-11-01T03:20:16Z)
• PICK: Polished & Informed Candidate Scoring for Knowledge-Grounded Dialogue Systems [59.1250765143521]
  現在の知識接地対話システムは、生成された応答を人間に好まれる品質に合わせるのに失敗することが多い。 我々は,世代別再描画フレームワークであるPolseed & Informed Candidate Scoring (PICK)を提案する。 対話履歴に関連性を維持しつつ,より忠実な応答を生成するためのPICKの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-19T08:27:09Z)
• Building Emotional Support Chatbots in the Era of LLMs [64.06811786616471]
  我々は,Large Language Models (LLMs) の計算能力で人間の洞察を合成する革新的な方法論を導入する。 また,ChatGPTの文脈内学習の可能性を利用して,ExTESと呼ばれる感情支援対話データセットを生成する。 次に、LLaMAモデルに高度なチューニング手法を展開し、多様なトレーニング戦略の影響を検証し、最終的に感情的支援の相互作用に細心の注意を払ってLLMを出力する。
  論文  参考訳（メタデータ） (2023-08-17T10:49:18Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)

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。