論文の概要: StoryMI: Steerable Multi-Agent Therapeutic Dialogue Generation
- arxiv url: http://arxiv.org/abs/2605.27393v1
- Date: Sat, 18 Apr 2026 08:35:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.523979
- Title: StoryMI: Steerable Multi-Agent Therapeutic Dialogue Generation
- Title（参考訳）: StoryMI: ステアブルマルチエージェント治療対話生成
- Authors: Qingyu Meng, Min Chen, Dingming Liu, Yifan Mo, Yue Su, Xin Sun, Koen Hindriks, Jiahuan Pei,
- Abstract要約: 大規模言語モデル(LLM)は、流動的な対話を生成することができるが、事前の作業には、モチベーション面接(MI)における臨床標準に沿った状況的基盤、動的戦略制御、評価が欠如している。
対話エージェントは対話エージェントが選択したMIコードで案内されたMI符号化音声を生成し、対話エージェントは対話エージェントがマルチターン会話中にMI戦略を制御するために交換を動的にコーディネートする。
以上の結果から, 状況的接地とマクロレベルの制御がMIの定着と臨床的妥当性を向上させることが示唆され, 精神療法における構造化マルチエージェントワークフローの有効性が示された。
- 参考スコア（独自算出の注目度）: 7.729246178439532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) can generate fluent dialogue, but prior works lack situational grounding, dynamic strategy control, and evaluation aligned with clinical standards in motivational interviewing (MI). We introduce StoryMI, a multi-LLM agent framework for controllable MI dialogue generation, where questionnaire-based client profiles are expanded into situational stories that provide narrative context for the dialogue. Therapist and client agents generate MI-coded utterances guided by MI codes selected by the interaction agent, while an interaction agent dynamically coordinates exchanges to control MI strategies during a multi-turn conversation. We propose a two-level evaluation protocol: lexical metrics and MI-specific measures of macro-level counseling strategies, alongside LLM-as-judge and human expert assessments. We construct a dataset of 6K simulated MI dialogues grounded in 1K questionnaire-story pairs, covering 12 MI codes and 13 symptom domains, and benchmark six open- and closed-source LLMs. Our results show that situational grounding and macro-level control can improve MI adherence and clinical plausibility, demonstrating the effectiveness of a structured multi-agent workflow for psychotherapy dialogue generation. We provide code and data for reproducibility.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、流動的な対話を生成することができるが、事前の作業には、モチベーション面接(MI)における臨床標準に沿った状況的基盤、動的戦略制御、評価が欠如している。
ユーザプロファイルを状況に応じたストーリーに拡張し,対話のための物語コンテキストを提供する,制御可能なMIダイアログ生成のためのマルチLLMエージェントフレームワークであるStoryMIを紹介する。
セラピストおよびクライアントエージェントは、インタラクションエージェントが選択したMIコードで案内されたMI符号化発話を生成し、インタラクションエージェントは、マルチターン会話中にMI戦略を制御するために、交換を動的にコーディネートする。
本稿では,LLM-as-judgeや人間の専門家による評価と並行して,マクロレベルのカウンセリング戦略の語彙的指標とMI固有の尺度を2段階評価プロトコルとして提案する。
我々は,12個のMIコードと13個の症状領域を網羅し,オープンソースとクローズドソースのLLMをベンチマークした,1K問合せストーリー対の6KシミュレートされたMI対話のデータセットを構築した。
以上の結果から, 状況把握とマクロレベルの制御がMIの順応性や臨床的妥当性を向上させることが示唆され, 精神療法対話生成のための構造化マルチエージェントワークフローの有効性が示された。
再現性のためのコードとデータを提供します。
関連論文リスト
- Influencing LLM Multi-Agent Dialogue via Policy-Parameterized Prompts [3.473277059746767]
本稿では,軽量なポリシーを構築するために,プロンプト・アズ・アクションをパラメータ化できるかどうかを検討する。
応答性,反感,エビデンス利用,非反復性,姿勢変化の5つの指標に基づいて対話の流れを評価する。
論文 参考訳（メタデータ） (2026-03-10T16:47:25Z) - Toward expert-level motivational interviewing for health behavior improvement with LLMs [17.267453197266715]
モチベーション・インタヴュー(MI)は、健康行動の変化を促進する効果的なカウンセリング手法であるが、その影響は高度に訓練された人間カウンセラーの必要性によって制限されている。
本研究は,MI-LLMのための大規模言語モデルの開発と評価である。
3台の中国製オープンソース LLM がこのコーパスに微調整され、MI-LLM と命名された。
論文 参考訳（メタデータ） (2025-12-17T13:43:26Z) - LlaMADRS: Prompting Large Language Models for Interview-Based Depression Assessment [75.44934940580112]
LlaMADRSは、オープンソースのLarge Language Models(LLM)を利用して、うつ病の重症度評価を自動化する新しいフレームワークである。
本研究は,クリニカルインタヴューの解釈・スコアリングにおけるモデル指導のために,慎重に設計された手がかりを用いたゼロショットプロンプト戦略を用いている。
実世界における236件のインタビューを対象とし,臨床評価と強い相関性を示した。
論文 参考訳（メタデータ） (2025-01-07T08:49:04Z) - Rethinking the Alignment of Psychotherapy Dialogue Generation with Motivational Interviewing Strategies [30.237161801912453]
大規模言語モデル(LLM)は、特にモチベーション・インタビュー(MI)の文脈において、精神療法的対話を生み出すことを約束している。
MI戦略をMIスキルのセットとして適用することで、説明可能性を備えたより制御可能な治療に順応した会話が実現可能となる。
論文 参考訳（メタデータ） (2024-08-12T23:19:02Z) - ChatSOP: An SOP-Guided MCTS Planning Framework for Controllable LLM Dialogue Agents [52.7201882529976]
対話エージェントの制御性を高めるため,SOP誘導モンテカルロ木探索(MCTS)計画フレームワークを提案する。
これを実現するために、GPT-4oを用いた半自動ロールプレイシステムを用いて、SOPアノテーション付きマルチシナリオ対話からなるデータセットをキュレートする。
また、SOP予測のための教師付き微調整と思考の連鎖推論を統合する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-04T12:23:02Z) - Unsupervised Extraction of Dialogue Policies from Conversations [3.102576158218633]
本稿では,データセットから対話ポリシーを抽出する上で,Large Language Modelがいかに有効かを示す。
そこで我々は,制御可能かつ解釈可能なグラフベースの手法を用いて対話ポリシーを生成する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-06-21T14:57:25Z) - Hello Again! LLM-powered Personalized Agent for Long-term Dialogue [63.65128176360345]
モデルに依存しない長期対話エージェント(LD-Agent)を導入する。
イベント認識、ペルソナ抽出、応答生成のための3つの独立した調整可能なモジュールが組み込まれている。
LD-Agentの有効性, 汎用性, クロスドメイン性について実験的に検証した。
論文 参考訳（メタデータ） (2024-06-09T21:58:32Z) - A Mixture-of-Expert Approach to RL-based Dialogue Management [56.08449336469477]
我々は、強化学習を用いて、近視性(一般的な発話の出力)を回避し、全体的なユーザ満足度を最大化する対話エージェントを開発する。
既存のRLアプローチのほとんどは、単語レベルでエージェントを訓練するので、中規模の語彙であっても、非常に複雑なアクション空間を扱う必要がある。
i)会話履歴の多様な意味を学習できるLMと、(ii)対応する発話を生成できる専門的なLM(または専門家)からなる、新しい専門家言語モデル(MoE-LM)を用いたRLベースのDMを開発する。
論文 参考訳（メタデータ） (2022-05-31T19:00:41Z)
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。