論文の概要: Understanding Clinical Cognitive Dialogues Using Large Language Models
- arxiv url: http://arxiv.org/abs/2609.34125v2
- Date: Thu, 01 Oct 2026 21:18:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:29.925374
- Title: Understanding Clinical Cognitive Dialogues Using Large Language Models
- Title（参考訳）: 大規模言語モデルを用いた臨床認知対話の理解
- Abstract要約: 話者3名と対話行動56名に対して8,250発のアノテートが付与された認知評価会話33件の未確認コーパスを提示する。
我々はこのコーパスを用いて、詳細な対話行動分類と次の患者発話生成の大規模言語モデルをベンチマークする。
- 参考スコア（独自算出の注目度）: 5.256083776792926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In-person cognitive assessment is both a test and an interaction. Clinicians explain tasks, repair misunderstandings, and adapt to patient responses, while patients may hesitate, seek clarification, or disengage. Yet clinical dialogue resources rarely label the interaction structure needed to study these behaviors at scale. We present an de-identified corpus of 33 cognitive assessment conversations with 8,250 utterances annotated for three speaker roles and 56 dialogue acts. We use this corpus to benchmark large language models on fine-grained dialogue-act classification and next-patient-utterance generation. We also test whether out-of-domain instruction data and explanation-augmented training transfer to this clinical setting. Instruction tuning produces the strongest patient-utterance reference matching and improves classification accuracy. Reasoning-aware fine-tuning produces the strongest classification results among the LLaMA-3.1-8B variants. However, even the best models struggle to separate closely related dialogue acts, showing that broad conversational intent is easier to recognize than fine-grained communicative function. The corpus and benchmark make interaction structure measurable in cognitive assessments and support follow-up work on conversational markers, clinician education, and carefully validated simulated patients. This work does not make diagnostic claims. Instead, it provides the data and evaluation framework needed to study these applications.
- Abstract（参考訳）: 対人認知評価は、テストと相互作用の両方である。
臨床医はタスクを説明し、誤解を修復し、患者の反応に適応する。
しかし、臨床対話リソースは、これらの振る舞いを大規模に研究するために必要な相互作用構造をめったにラベル付けしない。
話者3名と対話行動56名に対して8,250発のアノテートが付与された認知評価会話33件の未確認コーパスを提示する。
我々はこのコーパスを用いて、詳細な対話行動分類と次の患者発話生成の大規模言語モデルをベンチマークする。
また、領域外指導データと説明強化訓練データをこの臨床環境に移行させるかどうかについても検討した。
インストラクションチューニングは、最強の患者発話基準マッチングを生成し、分類精度を向上させる。
推論対応の微調整は、LLaMA-3.1-8Bの派生型の中で最も強力な分類結果をもたらす。
しかし、最も優れたモデルでさえ、密接に関連する対話行為を分離するのに苦労し、より詳細なコミュニケーション機能よりも広い会話意図の認識が容易であることを示した。
コーパスとベンチマークは、認知評価において相互作用構造を測定可能とし、会話マーカー、臨床教育、慎重に検証されたシミュレートされた患者に対するフォローアップ作業を支援する。
この研究は診断的主張をしない。
代わりに、これらのアプリケーションを研究するのに必要なデータと評価のフレームワークを提供する。
関連論文リスト
- Explainable and Generalisable LLM-based Cognitive Decline Detection with Spontaneous Speech [30.364998191306515]
アルツハイマー病(AD)と軽度認知障害(MCI)がADに先行する可能性がある。
本稿では,自動的,説明可能な認知スクリーニングのためのバイリンガル音声大言語モデルフレームワークを提案する。
誤りを生じやすい自動音声認識に依存する従来のパイプラインとは異なり,本システムは生音声を直接処理し,共同音声・セマンティック表現を学習する。
論文 参考訳（メタデータ） (2026-09-28T03:23:59Z) - MedConceal: A Benchmark for Clinical Hidden-Concern Reasoning Under Partial Observability [17.806376792868416]
医療対話における隠蔽推論評価のための対話型患者シミュレータを用いたベンチマークであるMedConcealを提案する。
クリニックが回答したオンライン健康に関する議論から構築された各ケースは、シミュレーターと内部を隠蔽した懸念を伴うクリニックと視覚のコンテキストをペアリングする。
本研究は,マルチターン対話を通じて隠れた関心を隠蔽し,介入し,主要な関心事に対処し,患者を目標計画に向けて誘導する2つの能力について検討する。
論文 参考訳（メタデータ） (2026-04-09T21:51:02Z) - TRUST: An LLM-Based Dialogue System for Trauma Understanding and Structured Assessments [8.618945530676614]
本研究は,臨床症状を再現するLLMを用いた対話システムを開発することにより,メンタルヘルスアクセシビリティのギャップを埋めることを目的とする。
我々は、PTSDの正式な診断および評価を行うことができる協調LLMモジュールのフレームワークであるTRUSTを紹介する。
臨床医による時間と費用のかかる手動テストを置き換えるために,実生活の面接書に基づく患者シミュレーション手法を開発した。
論文 参考訳（メタデータ） (2025-04-30T17:58:06Z) - Dialogue is Better Than Monologue: Instructing Medical LLMs via Strategical Conversations [74.83732294523402]
実世界の診断シナリオをシミュレートし,USMLE標準に適合するノイズと難易度を統合する新しいベンチマークを導入する。
また、対話に基づく微調整についても検討し、静的データセットを会話形式に変換し、反復的推論プロセスをよりよく捉える。
実験の結果、対話調整されたモデルは従来の手法よりも優れており、マルチラウンド推論のシナリオでは9.64%、ノイズの多い環境では6.18%の精度で改善されている。
論文 参考訳（メタデータ） (2025-01-29T18:58:48Z) - Automating Feedback Analysis in Surgical Training: Detection, Categorization, and Assessment [65.70317151363204]
本研究は,非構造化現実記録からの外科的対話を再構築するための最初の枠組みを紹介する。
外科訓練では,ライブ手術中に訓練者に提供する形式的言語フィードバックは,安全性の確保,行動の即時修正,長期的スキル獲得の促進に不可欠である。
本フレームワークは,音声活動の検出,話者ダイアリゼーション,自動音声認識と,幻覚を除去する新たな拡張機能を統合する。
論文 参考訳（メタデータ） (2024-12-01T10:35:12Z) - Exploring the Factual Consistency in Dialogue Comprehension of Large Language Models [51.75805497456226]
本研究は,対話要約タスクの助けを借りて,事実整合性の問題に焦点を当てる。
評価の結果,LLMが生成する要約の26.8%が事実整合性を含んでいることがわかった。
LLMの対話理解能力を高めるために,自動構築マルチタスクデータを用いた微調整パラダイムを提案する。
論文 参考訳（メタデータ） (2023-11-13T09:32:12Z) - Learning to Memorize Entailment and Discourse Relations for
Persona-Consistent Dialogues [8.652711997920463]
既存の作業は、高度ネットワーク構造を持つ対話者ペルソナを意図的に学習することで、対話システムの性能を改善した。
本研究は,ペルソナ一貫性のある対話課題における係り受け関係と談話関係を記憶する学習方法を提案する。
論文 参考訳（メタデータ） (2023-01-12T08:37:00Z) - Structural Pre-training for Dialogue Comprehension [51.215629336320305]
本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。
対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。
広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
論文 参考訳（メタデータ） (2021-05-23T15:16:54Z) - Benchmarking Automated Clinical Language Simplification: Dataset,
Algorithm, and Evaluation [48.87254340298189]
我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。
我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-12-04T06:09:02Z) - Comparison of Speaker Role Recognition and Speaker Enrollment Protocol
for conversational Clinical Interviews [9.728371067160941]
エンドツーエンドのニューラルネットワークアーキテクチャをトレーニングし、各タスクに適応し、各アプローチを同じメトリクスで評価します。
結果は面接者の人口統計にも依存せず,その臨床的意義を浮き彫りにした。
論文 参考訳（メタデータ） (2020-10-30T09:07:37Z) - Learning an Unreferenced Metric for Online Dialogue Evaluation [53.38078951628143]
本稿では,大規模な事前学習言語モデルを用いて発話の潜在表現を抽出する非参照自動評価指標を提案する。
提案手法は,オンライン環境でのアノテーションと高い相関性を実現すると同時に,推論時に比較に真の応答を必要としないことを示す。
論文 参考訳（メタデータ） (2020-05-01T20:01:39Z)
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。