Исследователи из Гонконга представили фреймворк Reflective Cognitive Alignment (RCA), предназначенный для создания LLM-агентов, способных проводить когнитивную стимуляционную терапию (CST) для пожилых людей с когнитивными нарушениями. Работа опубликована на arXiv под заголовком «Think Before You Comfort: Reflective Cognitive Alignment for Protocol-Grounded Elderly Stimulation Agents».
Проблема и контекст
Когнитивная стимуляционная терапия — это немедикаментозный метод поддержки пожилых людей, который, однако, ограничен необходимостью в обученных фасилитаторах и острой нехваткой данных, особенно для приватных и низкоресурсных языков, таких как кантонский. Крупные языковые модели (LLM) потенциально могут автоматизировать часть этой работы, но сталкиваются с дилеммой: как сохранить эмпатическое вовлечение, не отступая от клинических протоколов когнитивной стимуляции.
Архитектура RCA
Фреймворк решает задачу по двум взаимодополняющим направлениям.
STaR-CS (Style-Transfer and Role-Conditioned Cognitive Stimulation). Это модуль синтеза данных. Он генерирует многопользовательские диалоги, моделируя стиль фасилитатора и извлекая структурированные скелеты разговора. Это позволяет преодолеть дефицит обучающих корпусов для CST.
Reflective Cognitive Alignment (RCA). Основной модуль, который рассматривает взаимодействие как последовательный процесс принятия решений. В его составе два ключевых компонента:
Protocol-Constrained Chain-of-Cognition (PC-CoC). Структурированная цепочка рассуждений, ограниченная протоколом стимуляции. Модель не просто генерирует ответ, а последовательно проходит шаги: анализ текущего состояния, выбор когнитивной цели, формулировка реплики в рамках протокола.
Inference-Time Value Alignment (IVA). Механизм выбора ответа на основе ценностных целей — безопасности и вовлеченности. На этапе инференса модель оценивает несколько вариантов ответа и выбирает тот, который максимизирует заданные метрики, не нарушая протокол.
Результаты оценки
Авторы провели оценку на шести базовых LLM (конкретные модели не указаны в аннотации, но код и, вероятно, детали экспериментов доступны в репозитории). Два независимых судьи оценивали ответы по трем критериям: соблюдение протокола, безопасность и качество групповой фасилитации.
Согласно заявлению авторов, RCA последовательно превосходит стандартные методы промптинга по всем трем метрикам. Особенно важно, что фреймворк показал улучшение в соблюдении протокола — ключевая проблема для LLM в клинических сценариях.
Практические ограничения
Важно отметить несколько ограничений, не упомянутых в аннотации, но очевидных из контекста. Во-первых, работа основана на синтезированных данных (STaR-CS), что ставит вопрос о переносимости на реальные клинические диалоги. Во-вторых, оценка проводилась судьями, а не в реальном терапевтическом окружении. В-третьих, эффективность для кантонского языка — заявленная мотивация — требует отдельной валидации, так как синтез данных для низкоресурсного языка сам по себе может содержать шум.
Доступность
Код фреймворка опубликован на GitHub в репозитории jiangjyjy/RCA_Agent. Это позволяет исследовательскому сообществу воспроизвести результаты и адаптировать решение под другие языки и протоколы.
Источники
Оригинальная статья на arXiv: https://arxiv.org/abs/2609.17536
Репозиторий с кодом: https://github.com/jiangjyjy/RCA_Agent