論文の概要: Aligning with Lived Experience: Heterogeneous Benefits of Fine Tuning in Mental Health Support Generation
- arxiv url: http://arxiv.org/abs/2609.21075v1
- Date: Thu, 17 Sep 2026 20:55:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.776965
- Title: Aligning with Lived Experience: Heterogeneous Benefits of Fine Tuning in Mental Health Support Generation
- Title（参考訳）: 生活経験に合わせる:メンタルヘルス・サポート・ジェネレーションにおけるファインチューニングの不均一性
- Abstract要約: 大規模な言語モデル(LLM)は、Reddit上で経験豊富な情報とコミュニティに準拠したピアサポートを生成することができる。
COPESのポストトレーニングにより,感情と音のアライメントが有意に向上し(汎用モデルでは50%以上),アライメントが向上することを示す。
また、このような改善は不均一であり、アライメントの改善はサブレディットと要求された対処戦略によって大きく異なることが観察された。
- 参考スコア（独自算出の注目度）: 9.673931230230677
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As access to professional mental healthcare remains limited, many individuals turn to online platforms such as Reddit to seek peer support situated within human lived experience. However, a significant portion of such queries go unanswered, presenting an opportunity for using Large Language Models (LLMs) to fill this gap. While LLMs have demonstrated strong performance on clinical benchmarks, their ability to generate lived-experience informed and community-aligned peer support is underexplored. Addressing this gap, we introduce the COmmunity-centered Peer Engaged Support (COPES) dataset and a three-axis evaluation framework to assess LLM alignment with community perspectives to mental health support seeking queries. Evaluating zero-shot and post-trained (SFT and DPO) models, we show that post-training on COPES significantly improves Strategy Alignment (>50% for general-purpose models) and alignment in Emotion & Tone. However, we also observe that such improvements are heterogeneous and alignment improvements vary significantly across subreddits and requested coping strategies. Furthermore, post-training induces distributional shifts, heavily favoring problem-focused recommendations while suppressing emotion-focused strategies. Together, this work shows that while curating community-driven data improves the alignment of LLM responses, model performance remains disparate across distinct sub-communities and specific mental health needs.
- Abstract（参考訳）: プロのメンタルヘルスへのアクセスは依然として限られているため、Redditのようなオンラインプラットフォームに目を向けて、人間の生きた経験の中にピアサポートを求める人は多い。
しかし、そのようなクエリのかなりの部分が答えられず、このギャップを埋めるためにLLM(Large Language Models)を使用する機会が提示される。
LLMは, 臨床評価において高い性能を示してきたが, 生活経験情報とコミュニティ対応のピアサポートを生み出す能力は乏しい。
このギャップに対処するために,コミューニティ中心のピーアエンゲージメントサポート(COPES)データセットと3軸評価フレームワークを導入する。
ゼロショット・ポストトレーニングモデル (SFT, DPO) の評価により, COPES のポストトレーニングは, 汎用モデルの場合の50%以上の戦略アライメントと感情&トーンのアライメントを著しく改善することを示した。
しかし、このような改善は不均一であり、アライメントの改善はサブレディットや要求された対処戦略によって大きく異なる。
さらに、ポストトレーニングは、感情に焦点を絞った戦略を抑えながら、問題に焦点を絞ったレコメンデーションを強く好んでいる。
この研究は、コミュニティ主導のデータをキュレートすることで、LCM応答のアライメントが向上する一方で、モデル性能は異なるサブコミュニティと特定のメンタルヘルスニーズによって相変わらず異なることを示している。
関連論文リスト
- LLUMI: Improving LLM Writing Assistance for Mental Health Support with Online Community Feedback [17.021867634600046]
大規模言語モデル(LLM)は、メンタルヘルスクエリに対するサポート的な応答を生成することを約束している。
しかし、それらの有用性、共感、安全性を改善するには、相当量の計算、専門家の入力、ラベル付きデータが必要であることが多い。
保護環境内にホスト可能なLLUMIセットアップを導入する。
論文 参考訳（メタデータ） (2026-05-28T17:30:57Z) - Assessing the Quality of Mental Health Support in LLM Responses through Multi-Attribute Human Evaluation [14.243791046586347]
継続的な治療のギャップ、可用性、資格あるセラピストの不足を特徴とする世界的なメンタルヘルス危機のエスカレートは、スケーラブルなサポートのための有望な道として、Large Language Models (LLMs) を位置づけている。
本稿では,治療対話におけるLLM生成応答の評価を目的とした人為的評価手法を提案する。
論文 参考訳（メタデータ） (2026-01-26T16:04:19Z) - MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - Uncertainty-Driven Expert Control: Enhancing the Reliability of Medical Vision-Language Models [52.2001050216955]
既存の方法は、モデル構造を調整したり、高品質なデータで微調整したり、好みの微調整によって、医療ビジョン言語モデル(MedVLM)の性能を向上させることを目的としている。
我々は,MedVLMと臨床専門知識の連携を図るために,Expert-Controlled-Free Guidance (Expert-CFG) という,ループ内のエキスパート・イン・ザ・ループフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-12T09:03:30Z) - Large Language Model-Powered Conversational Agent Delivering Problem-Solving Therapy (PST) for Family Caregivers: Enhancing Empathy and Therapeutic Alliance Using In-Context Learning [3.5944459851781057]
家族介護者はしばしば深刻な精神疾患に悩まされる。
本研究では,大規模言語モデル(LLM)を用いた会話エージェントが,エビデンスに基づくメンタルヘルス支援を実現する可能性について検討した。
論文 参考訳（メタデータ） (2025-06-13T00:47:57Z) - "Is This Really a Human Peer Supporter?": Misalignments Between Peer Supporters and Experts in LLM-Supported Interactions [5.481575506447599]
メンタルヘルスは世界的な懸念が高まり、AIによる精神社会的支援へのアクセス拡大への関心を喚起している。
LLMは、特にリアルタイム、テキストベースのインタラクションにおいて、ピアサポートインタラクションを強化する新たな機会を提供する。
我々は、LLMシミュレーションされた苦難クライアント、文脈に敏感なLLM生成提案、リアルタイム感情可視化を備えたAI支援システムを提案し、評価する。
論文 参考訳（メタデータ） (2025-06-11T03:06:41Z) - Ψ-Arena: Interactive Assessment and Optimization of LLM-based Psychological Counselors with Tripartite Feedback [51.26493826461026]
大規模言語モデル(LLM)の総合的評価と最適化のための対話型フレームワークであるPsi-Arenaを提案する。
アリーナは、心理学的にプロファイルされたNPCクライアントとの多段階対話を通じて現実世界のカウンセリングをシミュレートする現実的なアリーナ相互作用を特徴としている。
8つの最先端のLLM実験は、異なる実世界のシナリオと評価の観点で大きなパフォーマンス変化を示す。
論文 参考訳（メタデータ） (2025-05-06T08:22:51Z) - 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) - Asymmetrical Reciprocity-based Federated Learning for Resolving Disparities in Medical Diagnosis [68.06621490069428]
地理的な健康格差は、特に低所得国と中所得国の未保存地域において、世界的課題となっている。
我々は、地理的な健康格差を緩和し、未保存地域の診断能力を増強することを目的とした、新しいクロスサイロ・フェデレーション学習フレームワークであるFedHelpを提案する。
論文 参考訳（メタデータ） (2024-12-27T13:59:58Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳（メタデータ） (2020-11-17T15:18:38Z)
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。