El asesoramiento psicológico tradicional, que a menudo se realiza en persona, sigue estando limitado a personas que buscan activamente ayuda para problemas psicológicos. Por el contrario, el asesoramiento automatizado en línea presenta una opción viable para quienes dudan en seguir la terapia debido al estigma o la vergüenza. La terapia cognitivo-conductual (TCC), un enfoque ampliamente practicado en el asesoramiento psicológico, tiene como objetivo ayudar a las personas a identificar y corregir las distorsiones cognitivas que contribuyen a las emociones y comportamientos negativos. La aparición de los LLM ha abierto nuevas posibilidades para automatizar el diagnóstico y el tratamiento de la TCC. Sin embargo, los actuales sistemas de TCC basados en LLM enfrentan desafíos como marcos estructurales fijos, que limitan la adaptabilidad y la autooptimización, y patrones de respuesta repetitivos que brindan sugerencias genéricas e inútiles.
Los avances recientes en IA han introducido marcos como CBT-LLM, que emplea aprendizaje basado en indicaciones, y CoCoA, que integra mecanismos de memoria para la generación aumentada de recuperación. Estos sistemas tienen como objetivo identificar y abordar las distorsiones cognitivas en las declaraciones de los usuarios al tiempo que mejoran la profundidad y relevancia de las interacciones terapéuticas. A pesar de su potencial, los métodos existentes a menudo carecen de personalización, adaptabilidad a las necesidades cambiantes de los usuarios y una comprensión matizada de los procesos terapéuticos dinámicos. Para cerrar estas brechas, la investigación en curso utiliza conjuntos de datos anotados, ontologías y LLM avanzados para desarrollar sistemas de TCC conscientes del contexto que imitan los procesos cognitivos humanos.
Investigadores del Laboratorio Clave de Shenzhen para la Minería de Datos de Alto Rendimiento, los Institutos de Tecnología Avanzada de Shenzhen, la Academia de Ciencias de China y varias otras instituciones desarrollaron AutoCBT, un marco autónomo de múltiples agentes diseñado para la TCC en consultas psicológicas de un solo turno. Utilizando modelos similares a Quora y YiXinLi, AutoCBT integra mecanismos de memoria y enrutamiento dinámico para mejorar la calidad de la respuesta y la adaptabilidad. El marco se somete a un razonamiento estructurado y edición para generar resultados de alta calidad y conscientes del contexto. Evaluado en un conjunto de datos bilingüe, supera a los sistemas tradicionales basados en LLM y aborda desafíos como el enrutamiento dinámico, los mecanismos de supervisión y el problema de sobreprotección de Llama.
AutoCBT es un marco versátil diseñado para sistemas multiagente en CBT, que comprende un agente consejero (interfaz), agentes supervisores, topología de comunicación y estrategias de enrutamiento. El Agente Consejero, impulsado por LLM, interactúa con los usuarios y busca información de los Agentes Supervisores para generar respuestas confiables y de alta calidad. Los agentes cuentan con mecanismos de memoria para almacenamiento a corto y largo plazo, y estrategias de enrutamiento como unidifusión y difusión permiten una comunicación dinámica. AutoCBT incorpora principios de CBT (empatía, identificación de creencias, reflexión, estrategia y estímulo) asignados a agentes supervisores específicos. Su eficacia se validó utilizando un conjunto de datos bilingüe que combina PsyQA y TherapistQA, categorizado y ampliado con ejemplos de distorsión cognitiva.
En asesoramiento psicológico en línea, se evaluaron LLM como Qwen-2.5-72B y Llama-3.1-70B para manejar los matices emocionales y el cumplimiento de las instrucciones. AutoCBT, un marco de dos etapas, superó a Generation y PromptCBT al incorporar enrutamiento dinámico y mecanismos de supervisión, logrando puntuaciones más altas en empatía, manejo de distorsiones cognitivas y relevancia de la respuesta. El enfoque iterativo de AutoCBT mejoró sus borradores de respuestas, que fueron validados mediante evaluaciones automáticas y humanas. Los desafíos incluyeron conflictos de enrutamiento, confusión de roles y bucles de retroalimentación redundantes, mitigados mediante ajustes de diseño. La excesiva cautela de Llama provocó frecuentes rechazos en temas delicados, a diferencia de Qwen, que respondió de manera integral, destacando la importancia del equilibrio en la sensibilidad del modelo.
En conclusión, AutoCBT es un marco innovador de múltiples agentes diseñado para el asesoramiento psicológico basado en la TCC. Al integrar mecanismos de supervisión y enrutamiento dinámico, AutoCBT aborda las limitaciones del asesoramiento tradicional basado en LLM, mejorando significativamente la calidad de la respuesta y la eficacia para identificar y abordar las distorsiones cognitivas. AutoCBT logra una calidad de diálogo superior a través de su diseño adaptativo y autónomo en comparación con los sistemas estáticos basados en indicaciones. Se identificaron y mitigaron los desafíos en la comprensión semántica y el cumplimiento de las instrucciones de los LLM a través de soluciones específicas. Aprovechando conjuntos de datos y modelos bilingües, el marco demuestra su potencial para brindar servicios de asesoramiento automatizados de alta calidad. Ofrece una alternativa escalable para personas que dudan en seguir la terapia tradicional debido al estigma.
Verificar el Papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo y únete a nuestro Canal de telegramas y LinkedIn Grarriba. No olvides unirte a nuestro SubReddit de más de 65.000 ml.
🚨 [Recommended Read] Nebius AI Studio se expande con modelos de visión, nuevos modelos de lenguaje, incorporaciones y LoRA (Promovido)
A Sana Hassan, pasante de consultoría en Marktechpost y estudiante de doble titulación en IIT Madras, le apasiona aplicar la tecnología y la inteligencia artificial para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.