UTS at PsyDefDetect: Multi-Agent Councils and Absence-Based Reasoning for Defense Mechanism Classification
Das UTS des PsyDefDetect-Systems erreichte bei der Klassifizierung psychologischer Abwehrmechanismen den zweiten Platz, indem es absenzbasiertes Schlussfolgern in regelbasierten Prompt-Ebenen und ein deliberatives Multi-Agenten-Gremium nutzte, das durch ein gezieltes Override-Ensemble feinabgestimmter Modelle zur Korrektur systematischer Verzerrungen gegenüber Minderheitenklassen weiter optimiert wurde.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen zu verstehen, warum Menschen das sagen, was sie sagen, wenn sie verärgert sind. Manchmal sind sie nicht einfach nur ehrlich; sie verwenden psychologische „Abschirmungs"-Techniken, die als Abwehrmechanismen bezeichnet werden. Diese Schilde reichen von sehr unreif (wie körperliches Ausagieren) bis hin zu sehr reif (wie das ruhige Lösen eines Problems).
Die Herausforderung für Computer besteht darin, dass diese Schilde tückisch sind. Eine Person könnte sagen: „Mir geht es gut, ich habe nur mit vielen Unbekannten zu tun." Auf den ersten Blick klingt das wie eine gesunde, reife Art, mit Stress umzugehen. In Wirklichkeit verbirgt die Person jedoch ihre Gefühle. Es fehlt ihr die Emotion, die sie haben sollte. Für einen Computer ist es viel schwieriger, das zu erkennen, was fehlt, als das, was vorhanden ist.
Dieser Artikel beschreibt ein Team (UTS bei PsyDefDetect), das ein intelligentes Computersystem entwickelt hat, um dieses Rätsel zu lösen. Sie traten in einem Wettbewerb mit 64 anderen Teams an und belegten den zweiten Platz. Hier ist eine einfache Erklärung, wie sie es geschafft haben.
1. Die Kernidee: „Der Geist im Raum"
Das Team erkannte, dass Abwehrmechanismen durch Abwesenheit definiert sind.
- Die Metapher: Stellen Sie sich einen Detektiv vor, der nach einem Dieb sucht. Die meisten Detektive suchen nach Fußspuren (dem Vorhandenen). Dieses Team erkannte jedoch, dass der Dieb tatsächlich durch den leeren Raum definiert ist, in dem die Fußspuren sein sollten.
- Die Anwendung: Wenn jemand über eine Tragödie spricht, aber nicht traurig klingt, muss der Computer erkennen, dass die fehlende Traurigkeit der Hinweis ist. Sie programmierten ihr System mit „klinischen Regeln", die speziell nach diesen fehlenden Teilen suchen (fehlende Emotion, blockiertes Denken oder geleugnete Realität). Dieser eine Trick verschaffte ihnen einen massiven Leistungsschub.
2. Der „Rat der Experten" (Der beratende Rat)
Anstatt einen einzigen KI-Algorithmus eine Vermutung anstellen zu lassen, bauten sie einen Multi-Agenten-Rat.
- Die Metapher: Stellen Sie sich einen Gerichtssaal vor. Anstatt dass eine Jury durch einfache Mehrheitsabstimmung entscheidet (was immer die häufigste Antwort wählen würde), gibt es ein Gremium spezialisierter Anwälte.
- Phase 1: Drei verschiedene „Anwälte" (KI-Agenten) betrachten den Fall und schlagen mögliche Urteile vor.
- Phase 2: Wenn sie sich nicht einig sind, tritt ein spezifischer „Anwalt" für jedes mögliche Urteil hervor. Der Anwalt für „Stufe 7" (Reif) argumentiert, warum es passt. Der Anwalt für „Stufe 6" (Zwanghaft) argumentiert, warum dieses besser passt. Sie schreien nicht einfach nur „Ich gewinne!"; sie präsentieren Beweise.
- Phase 3: Ein Richter bewertet die Stärke der Beweise. Wenn der Anwalt für „Stufe 6" starke Beweise hat, gewinnt er, selbst wenn drei andere Agenten für „Stufe 7" gestimmt haben.
- Das Ergebnis: Dieses System war für sich genommen sehr gut, hatte aber einen Mangel: Es war zu selbstbewusst bezüglich der häufigsten Antwort (Stufe 7) und ignorierte oft die seltenen, schwierigen Fälle.
3. Der „L7-Anziehungspunkt" (Das Gravitationsproblem)
Die Daten waren stark verzerrt. Über die Hälfte der Beispiele waren „Stufe 7" (Reif).
- Die Metapher: Stellen Sie sich einen riesigen Magneten (Stufe 7) in der Mitte eines Raumes vor. Wo immer Sie einen Ball (ein Gespräch) werfen, zieht ihn der Magnet an. Die KI wurde ständig dazu verleitet, „Das ist reif" zu sagen, selbst wenn es nicht der Fall war.
- Das Problem: Die KI war „selbstbewusst falsch". Sie würde die seltenen Antworten (wie Stufe 3 oder 4) wählen und richtig liegen, aber sie würde sie auch wählen und falsch liegen, und sie würde die häufige Antwort (Stufe 7) wählen und in 80 % dieser spezifischen Fälle falsch liegen.
4. Das Team für den „Chirurgischen Schlag" (Das Override-Ensemble)
Um das Magnetproblem zu lösen, fügten sie eine zweite Verteidigungslinie hinzu: ein zielgerichtetes Override-Team.
- Die Metapher: Denken Sie an den Rat als Geschäftsführer, der tägliche Entscheidungen trifft. Das Override-Team ist eine spezialisierte „Qualitätskontrolle"-Einheit, die nur eingreift, wenn der Manager eine riskante Vermutung anstellt.
- Funktionsweise:
- Sie trainierten drei kleinere, spezialisierte KI-Modelle (wie spezialisierte Chirurgen), um die Vorhersagen des Rates zu überprüfen.
- Wenn der Rat „Stufe 7" sagt, aber die spezialisierten Modelle sagen: „Warten Sie, das ist eigentlich Stufe 6", überprüft das System die Beweise.
- Sie verwendeten ein Builder-Critic-Guard-System:
- Builder: Schlägt eine Änderung vor.
- Critic: Versucht zu beweisen, dass die Änderung falsch ist (argumentiert dagegen).
- Guard: Lässt die Änderung nur durch, wenn die Beweise absolut wasserdicht sind.
- Das Ergebnis: Dieses Team nahm nur 16 Änderungen an 472 Vorhersagen vor. Doch diese 16 Änderungen waren so präzise, dass sie das Team vom dritten Platz auf den zweiten Platz hoben.
5. Die Warnung vor dem „undichten Eimer"
Der Artikel deckte auch ein hinterhältiges Problem auf.
- Die Metapher: Stellen Sie sich eine Prüfung vor, bei der die Fragen leicht abgewandelte Versionen derjenigen sind, die Sie gelernt haben. Wenn Sie die Antworten des Lernleitfadens auswendig lernen, erreichen Sie 100 %. Aber wenn die Prüfungsfragen aus dem gleichen Gespräch stammen wie der Lernleitfaden, lernen Sie nicht wirklich; Sie erinnern sich nur.
- Die Erkenntnis: Die Testdaten teilten dieselben Gespräche wie die Trainingsdaten. Wenn die KI das Gespräch einfach „erinnert" hätte, sah es so aus, als wäre sie zu 97 % korrekt. Aber als sie daran gehindert wurde zu betrügen (indem sichergestellt wurde, dass sie dasselbe Gespräch nicht zweimal sah), sank die Genauigkeit auf ein realistisches Niveau von 65 %. Dies lehrte sie, dass Retrieval (das Finden ähnlicher Beispiele) sehr sorgfältig durchgeführt werden muss, um Betrug zu vermeiden.
Zusammenfassung des Sieges
Das Team gewann nicht durch die Verwendung des größten, leistungsstärksten KI-Modells. Sie gewannen durch:
- Dem KI-System beizubringen, zu bemerken, was fehlt (die Abwesenheit von Emotion).
- Die Schaffung eines Debattensystems, bei dem Beweise wichtiger sind als eine einfache Abstimmung.
- Die Nutzung eines kleinen, hochdisziplinierten „Korrekturteams", um die wenigen Fälle zu beheben, in denen das Hauptsystem selbstbewusst falsch lag.
Ihr Endergebnis war ein Macro-F1 von 0,406, womit sie 63 andere Teams schlugen. Sie bewiesen, dass in der Psychologie manchmal der wichtigste Hinweis die Stille ist, wo eine Emotion sein sollte.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.