論文の概要: EmoPatient: An Emotion-Directed Patient Simulator for Realistic Palliative Care Communication Training

• arxiv url: http://arxiv.org/abs/2608.07495v1
• Date: Wed, 17 Jun 2026 17:54:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.165537
• Title: EmoPatient: An Emotion-Directed Patient Simulator for Realistic Palliative Care Communication Training
• Title（参考訳）: EmoPatient:リアルな緩和的ケアコミュニケーショントレーニングのための感情指導型患者シミュレータ
• Abstract要約: EmoPatient(エモパティエント)は、緩和ケアの議論中に感情反応を進化させるように設計された、感情指向の患者シミュレータである。 Emotion Director Agentは患者の感情状態を推定し、感情強度、規制安定性、相互作用誘導のためのターンレベルの制御信号を生成する。 その結果,4つの理論的インフォームドな感情的リアリズム指標と,対話型人格変動に対する頑健性に改善が認められた。
• 参考スコア（独自算出の注目度）: 3.681935021819438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective communication during palliative care discussions is a critical clinical skill, yet training clinicians to manage complex patient emotions remains challenging. Large language model (LLM)-based patient simulators provide a scalable approach for communication training, but most existing systems treat patient emotion as static and fail to capture the dynamic emotional shifts observed in clinical interactions. We present EmoPatient, an emotion-directed patient simulator designed to generate evolving emotional responses during palliative care discussions. The system introduces an Emotion Director agent that estimates the patient's emotional state and generates turn-level control signals for emotional intensity, regulatory stability, and interactional guidance. We evaluate EmoPatient through controlled multi-turn physician-patient dialogue simulations and compare it with baseline simulators. Results show improvements across four theory-informed emotional realism metrics and robustness across conversational personality variants, suggesting that modeling emotional dynamics can improve the realism of LLM-based patient simulators for palliative care communication training.
• Abstract（参考訳）: 緩和ケアの議論における効果的なコミュニケーションは重要な臨床スキルであるが、複雑な患者の感情を管理するために臨床医を訓練することは依然として困難である。 大言語モデル(LLM)に基づく患者シミュレーターは、コミュニケーショントレーニングにスケーラブルなアプローチを提供するが、既存のシステムのほとんどは、患者の感情を静的として扱い、臨床相互作用で観察される動的な感情変化を捉えることができない。 EmoPatientは感情指向型患者シミュレータで, 緩和ケアの議論において, 感情反応の発達を誘導する。 このシステムは、患者の感情状態を推定し、感情強度、規制安定性、相互作用誘導のためのターンレベルの制御信号を生成する感情監督エージェントを導入する。 マルチターン医師と患者との対話シミュレーションによりEmoPatientを評価し,ベースラインシミュレータと比較した。 その結果,4つの理論的インフォームド・感情的リアリズムの指標と会話的性格変化の頑健性の改善が示され,また,感情的ダイナミクスをモデル化することで,緩和的ケアコミュニケーション訓練のためのLCMベースの患者シミュレータのリアリズムを改善できることが示唆された。

関連論文リスト

• EII-SCL: Harnessing Emotional Inertia for Multimodal Emotion Recognition in Conversation [51.04910642896281]
  会話におけるマルチモーダル感情認識(MERC)は、対話に多モーダル情報と文脈情報を統合することで正確な予測を行う。 現在のMERCアプローチは、情動シフトにおける文脈的感情的慣性の影響を見落とし、準最適パフォーマンスをもたらす。 本研究では, 時間的ウィンドウ内に慣性の影響のあるサンプルを構築することで, コントラスト学習モジュール (EII-SCL) を提案する。
  論文  参考訳（メタデータ） (2026-07-19T18:09:54Z)
• The complexities of patient-centred conversational artificial intelligence [2.817319370555721]
  我々は2,053人の実際の患者とチャットボットの会話を分析し、コミュニケーションパターンと感情表現がユーザによって大きく異なることを発見した。 臨床内容,感情状態,会話戦略,コミュニケーションスタイルを別々にモデル化した患者シミュレータを開発した。 チューリングに触発された15人の小学生によるリアリズムの評価では、シミュレーションされた会話は実際の会話とほとんど区別がつかず、人間の小学生は55%の精度を達成した。
  論文  参考訳（メタデータ） (2026-07-09T15:56:55Z)
• E^2-LLM: Bridging Neural Signals and Interpretable Affective Analysis [54.763420895859035]
  脳波からの感情分析のための最初のMLLMフレームワークであるELLM2-EEG-to-Emotion Large Language Modelを提案する。 ELLMは学習可能なプロジェクション層を通じて、トレーニング済みのEEGエンコーダとQベースのLLMを統合し、マルチステージのトレーニングパイプラインを使用する。 7つの感情カテゴリーにまたがるデータセット実験により, ELLM2-EEG-to-Emotion Large Language Modelは感情分類において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-01-11T13:21:20Z)
• A Unified Spoken Language Model with Injected Emotional-Attribution Thinking for Human-like Interaction [50.05919688888947]
  本稿では,感情的インテリジェンスのための統一言語モデルを提案する。 IEATは、ユーザーの感情状態とその根本原因をモデルの内部推論プロセスに組み込んでおり、明示的な監督として扱われるのではなく、感情を意識した推論を内部化することができる。 HumDial(Human-like Spoken Dialogue Systems Challenge)Emotional Intelligenceベンチマークの実験は、提案手法が感情軌道モデリング、感情的推論、共感的応答生成にまたがるトップランクのパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-01-08T14:07:30Z)
• EmoCAST: Emotional Talking Portrait via Emotive Text Description [56.42674612728354]
  EmoCASTは、正確なテキスト駆動感情合成のための拡散ベースのフレームワークである。 外観モデリングでは、感情的なプロンプトはテキスト誘導の分離された感情的モジュールを通して統合される。 EmoCASTは、現実的で感情的に表現され、音声同期されたトーキーヘッドビデオを生成する、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-08-28T10:02:06Z)
• CAST-Phys: Contactless Affective States Through Physiological signals Database [74.28082880875368]
  感情的なマルチモーダルデータセットの欠如は、正確な感情認識システムを開発する上で、依然として大きなボトルネックとなっている。 遠隔の生理的感情認識が可能な新しい高品質なデータセットであるCAST-Physを提示する。 本分析では,表情だけでは十分な感情情報が得られない現実的なシナリオにおいて,生理的信号が重要な役割を担っていることを強調した。
  論文  参考訳（メタデータ） (2025-07-08T15:20:24Z)
• PAL: Designing Conversational Agents as Scalable, Cooperative Patient Simulators for Palliative-Care Training [7.181732620510345]
  PAL(Palliative Assisted Learning-bot)は,感情的ニュアンスのある患者同士の対話をシミュレートする対話システムである。 PALはテキストと音声のモダリティをサポートし、繰り返し、低コストな練習を通じて臨床スキル構築を足場として設計されている。 筆者らは,(1)大規模言語モデルが弁証的コミュニケーショントレーニングを支援できるという実証的証拠,(2)モダリティ意識,感情に敏感なシミュレーションツールの設計思想,(3)ハイテイクケア環境における感情労働,協調学習,AI強化トレーニングを支援するシステムへの意味
  論文  参考訳（メタデータ） (2025-07-02T20:09:52Z)
• 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)
• Chain-of-Interaction: Enhancing Large Language Models for Psychiatric Behavior Understanding by Dyadic Contexts [4.403408362362806]
  本稿では,対話型対話による精神科的意思決定支援のための大規模言語モデルを文脈化するための,対話型連鎖促進手法を提案する。 このアプローチにより、大規模言語モデルでは、患者の行動コーディングのためのコーディングスキーム、患者の状態、およびドメイン知識を活用することができる。
  論文  参考訳（メタデータ） (2024-03-20T17:47:49Z)
• Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
  この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。 実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T06:26:15Z)

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。