論文の概要: SSR: Can Simulated Patients Learn to Stigmatize Themselves? Modeling Self-Stigma through Internal Monologue

• arxiv url: http://arxiv.org/abs/2606.08254v1
• Date: Sat, 06 Jun 2026 16:50:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.998941
• Title: SSR: Can Simulated Patients Learn to Stigmatize Themselves? Modeling Self-Stigma through Internal Monologue
• Title（参考訳）: SSR:シミュレートされた患者は、内的モノローグによる自己弁論のモデル化を学べるか?
• Authors: Kunyao Lan, Bingrui Jin, Zichen Zhu, Mengyue Wu,
• Abstract要約: 本稿では,心理学的自己スティグマティゼーションの3A1Hモデルに基づく新しいシミュレーションフレームワークを提案する。 中心となるイノベーションは、thabfStigmatized Self-Reflectionデータセットの作成です。
• 参考スコア（独自算出の注目度）: 22.38071918112141
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulating patients with large language models (LLMs) is a promising tool for mental health training, but existing approaches fail to capture a key clinical reality: self-stigma. Patients experiencing self-stigma, the internalization of negative stereotypes, often exhibit context-sensitive resistance, such as avoidance, denial, or self-blame, which current models render as static or uniformly compliant behavior. To address this, we introduce a novel simulation framework grounded in the psychological 3A1H model of self-stigmatization. Our core innovation is the creation of a \textbf{Stigmatized Self-Reflection} (\textbf{SSR}) dataset, where we augment mental health dialogues with internal monologues that reflect stigma-aware reasoning. By fine-tuning LLMs with this data using a chain-of-thought approach, we train patient agents to dynamically adjust their level and expression of stigma based on conversational triggers. Evaluations demonstrate that our approach significantly outperforms specialized baselines, generating more authentic and situationally appropriate patient responses. This work provides a crucial step towards realistic stigma simulation for clinical training and empathetic dialogue systems.
• Abstract（参考訳）: 大きな言語モデル(LLMs)を持つ患者をシミュレートすることは、メンタルヘルストレーニングの有望なツールであるが、既存のアプローチでは、重要な臨床的現実であるセルフスティグマを捉えられていない。 負のステレオタイプの内部化である自己スティグマを経験する患者は、しばしば、回避、否定、自己ブレムのような文脈に敏感な抵抗を示す。 これを解決するために,心理学的3A1Hモデルに基づく新たなシミュレーションフレームワークを提案する。 私たちの中心となるイノベーションは、スティグマ認識推論を反映した内的モノローグによるメンタルヘルス対話を強化する、 \textbf{Stigmatized Self-Reflection} (\textbf{SSR})データセットの作成です。 このデータをチェーン・オブ・シント・アプローチを用いて微調整することにより、患者エージェントに対して、会話トリガーに基づくスティグマのレベルと表現を動的に調整するように訓練する。 以上の結果から,本研究のアプローチは,より真正かつ状況的に適切な患者反応を生じさせる特質のベースラインを著しく上回っていることが明らかとなった。 本研究は,臨床研修と共感対話システムのための現実的なスティグマシミュレーションに向けた重要なステップを提供する。

関連論文リスト

• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• PSI-Bench: Towards Clinically Grounded and Interpretable Evaluation of Depression Patient Simulators [14.323763649788907]
  PSI-Benchは、うつ病患者シミュレーターの動作を解釈し、臨床的に根拠づけた診断を提供する自動評価フレームワークである。 PSI-Benchを用いて、2つのシミュレーターフレームワーク間で7つのLSMをベンチマークし、シミュレーターが過度に長く、語彙的に多様な応答を生成することを発見した。 人間の研究では、ベンチマークが専門家の判断と強く一致していることが示されています。
  論文  参考訳（メタデータ） (2026-04-28T16:46:25Z)
• HUMANLLM: Benchmarking and Reinforcing LLM Anthropomorphism via Human Cognitive Patterns [59.17423586203706]
  本稿では,心理的パターンを因果力の相互作用として扱うフレームワークであるHUMANLLMを提案する。 12,000の学術論文から244のパターンを構築し、2-5のパターンが相互に強化、衝突、変調されるシナリオ11,359を合成する。 我々の二重レベルチェックリストは、個々のパターンの忠実度と創発的なマルチパターンのダイナミクスを評価し、強い人間のアライメントを達成する。
  論文  参考訳（メタデータ） (2026-01-15T08:56:53Z)
• MindEval: Benchmarking Language Models on Multi-turn Mental Health Support [10.524387723320432]
  MindEvalは、現実的でマルチターンのメンタルヘルスセラピー会話において、言語モデルを自動的に評価するためのフレームワークである。 シミュレーションされた患者が生成したテキストに対する現実性を定量的に検証し、自動判断と人的判断との間に強い相関関係を示す。 われわれは12の最先端のLCMを評価し、AI固有のコミュニケーションパターンに特に弱点がある平均6点中4点以下で、すべてのモデルが苦戦していることを示す。
  論文  参考訳（メタデータ） (2025-11-23T15:19:29Z)
• IROTE: Human-like Traits Elicitation of Large Language Model via In-Context Self-Reflective Optimization [66.6349183886101]
  IROTEは,安定かつ伝達可能な特性抽出のための新しいインコンテキスト手法である。 IROTEが生成する1つの自己反射は、様々な下流タスクにまたがる目標特性の安定な偽造を LLM が引き起こすことを示す。
  論文  参考訳（メタデータ） (2025-08-12T08:04:28Z)
• TalkDep: Clinically Grounded LLM Personas for Conversation-Centric Depression Screening [7.395612068348526]
  メンタルヘルスサービスは、臨床専門家を育成するための実際のトレーニングデータの可用性を上回っている。 この不足は、トレーニングと評価を支援するシミュレートされた患者や仮想的な患者の開発を動機付けている。 本稿では,患者プロファイルの多様化を図った新しい患者シミュレーションパイプラインであるTalkDepを提案する。
  論文  参考訳（メタデータ） (2025-08-06T09:30:47Z)
• Reframe Your Life Story: Interactive Narrative Therapist and Innovative Moment Assessment with Large Language Models [72.36715571932696]
  物語療法は、個人が問題のある人生の物語を代替品の力に変えるのに役立つ。 現在のアプローチでは、特殊精神療法ではリアリズムが欠如しており、時間とともに治療の進行を捉えることができない。 Int(Interactive Narrative Therapist)は、治療段階を計画し、反射レベルを誘導し、文脈的に適切な専門家のような反応を生成することによって、専門家の物語セラピストをシミュレートする。
  論文  参考訳（メタデータ） (2025-07-27T11:52:09Z)
• Beyond Empathy: Integrating Diagnostic and Therapeutic Reasoning with Large Language Models for Mental Health Counseling [50.83055329849865]
  PsyLLMは、メンタルヘルスカウンセリングの診断と治療的推論を統合するために設計された大きな言語モデルである。 Redditから現実世界のメンタルヘルス投稿を処理し、マルチターン対話構造を生成する。 実験の結果,PsyLLMは最先端のベースラインモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-21T16:24:49Z)
• SeSaMe: A Framework to Simulate Self-Reported Ground Truth for Mental Health Sensing Studies [3.7398400615298466]
  メンタルモデル (SeSaMe) は、デジタルメンタルヘルス研究における参加者の負担を軽減する枠組みである。 事前訓練された大規模言語モデル(LLM)を活用することで、SeSaMeは参加者の心理的尺度に対する反応のシミュレーションを可能にする。 本稿では,GPT-4を用いて1つのスケールで応答をシミュレートするSeSaMeの応用例を示す。
  論文  参考訳（メタデータ） (2024-03-25T21:48:22Z)

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。