論文の概要: BALMS: Benchmarking Agentic LLMs for Longitudinal Mental Health Sensing
- arxiv url: http://arxiv.org/abs/2608.27219v1
- Date: Thu, 27 Aug 2026 15:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.456174
- Title: BALMS: Benchmarking Agentic LLMs for Longitudinal Mental Health Sensing
- Title（参考訳）: BALMS:縦断的メンタルヘルスセンシングのためのエージェントLDMのベンチマーク
- Abstract要約: 縦断的メンタルヘルスセンシングのためのLSMベースのエージェントシステムの最初の体系的ベンチマークであるBALMSを紹介する。
ゼロショットエージェントは、強いバックボーンやコンパクトで意味のある特徴を除いて、単純な平均ベースラインを上回ることは滅多にない。チェーン・オブ・シークレットは推論指向のバックボーンを改善するが、時間的グラウンドや数値的正しさは保証しない。
- 参考スコア（独自算出の注目度）: 7.396595070882962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mental health assessment relies on episodic self-report scales, which convert subjective states such as stress into numerical scores but provide only sparse snapshots of wellbeing. Wearable devices offer longitudinal behavioral and physiological signals for continuous, low-burden monitoring. Recent LLM-driven personal-health agents enable natural language queries over wearable signals, but mainly handle short-term, retrieval-based lookups (e.g., highest step count over a week). They do not evaluate whether agents can reason over long-term signals to predict wellbeing scores paired with evidence-grounded rationales. To address this gap, we introduce BALMS, the first systematic benchmark of LLM-based agentic systems for longitudinal mental health sensing. BALMS spans 3 real-world longitudinal datasets, 2 task families (closed-form wellbeing-score prediction and rationale generation auto-graded by an LLM-as-Judge), 3 agentic paradigms evaluated across 5 open- and closed-source LLM backbones. We find that zero-shot agents rarely outperform a simple mean baseline, except with stronger backbones or compact, semantically meaningful features. Chain-of-thought prompting improves reasoning-oriented backbones, but does not guarantee temporal grounding or numerical correctness. Together with more analysis on efficiency and temporal scaling, BALMS highlights the need for longitudinal mental health agents that selectively retrieve history, ground temporal evidence, and reason over interpretable behavioral features.
- Abstract（参考訳）: メンタルヘルスアセスメントは、ストレスのような主観的な状態を数値的なスコアに変換するが、幸福のスパーススナップショットのみを提供する、エピソードな自己報告尺度に依存している。
ウェアラブルデバイスは、連続した低バーデンモニタリングのための縦方向の行動信号と生理信号を提供する。
近年のLSM駆動型パーソナルヘルスエージェントは、ウェアラブル信号よりも自然言語による問い合わせを可能にするが、主に短期的な検索ベースのルックアップ(例えば、最高ステップ数1週間)を扱う。
彼らは、エージェントが長期的なシグナルを推論して、根拠に基づく合理性と組み合わせた幸福度を予測できるかどうかを評価していない。
このギャップに対処するために、縦型メンタルヘルスセンシングのためのLSMベースのエージェントシステムの最初の体系的ベンチマークであるBALMSを紹介する。
BALMSは,3つの実世界の時系列データセット,2つのタスクファミリー(LLM-as-Judgeによって自動評価されたクローズドフォームウェルビーイングスコア予測と合理化生成),5つのオープンおよびクローズドソースLCMバックボーンで評価された3つのエージェントパラダイムにまたがる。
ゼロショットエージェントは、より強力なバックボーンやコンパクトで意味のある特徴を除いて、単純な平均ベースラインを上回ることは滅多にない。
思考の連鎖は推論指向のバックボーンを改善するが、時間的接地や数値的正しさは保証しない。
効率性や時間的スケーリングのさらなる分析とともに、BALMSは、歴史、地上の時間的証拠、解釈可能な行動の特徴よりも理由を選択的に回収する、縦断的なメンタルヘルスエージェントの必要性を強調している。
関連論文リスト
- MHGraphBench: Knowledge Graph-Grounded Benchmarking of Mental Health Knowledge in Large Language Models [13.221931392711406]
大規模言語モデル(LLM)は、メンタルヘルス領域でますます使われている。
関連バイオメディカルな知識がどの程度うまく捉えられるか、臨床的に健全な構造化された判断にどの程度確実に適用されているかは、いまだ不明である。
本稿では,精神保健機関の認識,関係判断,2ホップ推論におけるLCMの評価を行うための知識グラフ付きベンチマークを提案する。
論文 参考訳（メタデータ） (2026-05-15T03:55:27Z) - COTCAgent: Preventive Consultation via Probabilistic Chain-of-Thought Completion [1.3891530345631953]
The Probabilistic Chain-of-Thought Completion Agent (COTCAgent)は、縦断的な電子健康記録のための階層的推論フレームワークである。
COTCAgentは、自作データセットで90.47%、HealthBenchで70.41%の精度を達成し、既存の医療エージェントや主流の大規模言語モデルを上回っている。
論文 参考訳（メタデータ） (2026-05-14T16:17:35Z) - EviCare: Enhancing Diagnosis Prediction with Deep Model-Guided Evidence for In-Context Reasoning [62.61394722212386]
EviCareは、大規模言語モデルにディープモデルガイダンスを統合する、コンテキスト内推論フレームワークである。
LLMのみのベースラインと深層モデルのみのベースラインを2つの実世界のEHRベンチマークで連続的に上回っている。
論文 参考訳（メタデータ） (2026-04-12T04:35:14Z) - PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。
例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
論文 参考訳（メタデータ） (2026-02-27T07:19:23Z) - Benchmarking Early Deterioration Prediction Across Hospital-Rich and MCI-Like Emergency Triage Under Constrained Sensing [0.0]
早期劣化予測のためのリーク対応ベンチマークフレームワークを提案する。
病院に豊富なトリアージとバイタルオンリーのMCIライクな設定を比較し,プレゼンテーション開始後1時間以内に利用可能な情報への入力を制限する。
論文 参考訳（メタデータ） (2026-02-09T09:32:49Z) - From Conflict to Consensus: Boosting Medical Reasoning via Multi-Round Agentic RAG [65.0203623486525]
大規模言語モデル(LLM)は、医学的質問応答において高い推論能力を示す。
幻覚や時代遅れの知識を生み出す傾向は、医療分野において重大なリスクをもたらす。
既存の手法はノイズの多いトークンレベルの信号に依存しており、複雑な推論に必要なマルチラウンドの改良は欠如している。
論文 参考訳（メタデータ） (2026-02-06T08:25:30Z) - MIMIC-SR-ICD11: A Dataset for Narrative-Based Diagnosis [14.505360834752866]
MIMIC-SR-ICD11 は EHR から作成され,WHO ICD-11 の用語に適合する大規模な英語診断データセットである。
LL-Rankは,臨床報告の文脈から各ラベルの長さ正規化関節度を算出する。
論文 参考訳（メタデータ） (2025-11-07T18:55:22Z) - Quantifying the Reasoning Abilities of LLMs on Real-world Clinical Cases [48.87360916431396]
MedR-Benchは1,453例の構造化患者のベンチマークデータセットで、推論基準を付した注釈付きである。
本稿では,3つの批判的診察勧告,診断決定,治療計画を含む枠組みを提案し,患者のケアジャーニー全体をシミュレートする。
このベンチマークを用いて、DeepSeek-R1、OpenAI-o3-mini、Gemini-2.0-Flash Thinkingなど、最先端の5つのLCMを評価した。
論文 参考訳（メタデータ） (2025-03-06T18:35:39Z) - An LLM-Powered Agent for Physiological Data Analysis: A Case Study on PPG-based Heart Rate Estimation [2.0195680688695594]
大規模言語モデル(LLM)は、対話的なコミュニケーションを通じて診断、患者ケア、意思決定支援を改善することで、医療に革命をもたらしている。
本研究では, LLM と解析ツールの統合におけるギャップを埋めるための生理的時系列解析のための LLM を利用したエージェントを開発した。
OpenCHAをベースとして,OpenAIのGPT-3.5-turboモデルを利用したエージェントは,ユーザインタラクションやデータソース,分析ツールを組み込んで,正確なヘルスインサイトを生成するオーケストレータを備えている。
論文 参考訳（メタデータ） (2025-02-18T13:09:59Z) - 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) - WellDunn: On the Robustness and Explainability of Language Models and Large Language Models in Identifying Wellness Dimensions [46.60244609728416]
言語モデル (LMs) は, 予後不良のリスクが高まれば, 臨床実習におけるモデルの実用性に対するリトマステストにはならない可能性がある, メンタルヘルスの分野では, 言語モデル (LMs) が提案されている。
ウェルネス次元(WD)の同定におけるLMの堅牢性と説明性に着目した評価設計を提案する。
LM/LLMの4つの驚くべき結果が明らかになった。
論文 参考訳（メタデータ） (2024-06-17T19:50:40Z)
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。