DS@GT ARC at eRisk 2026: Hybrid Multi-Agent LLM System with Structured Algorithmic Guidance for Conversational Depression Screening

Imaginez un monde où un robot amical et bavard pourrait s'asseoir avec quelqu'un et déterminer doucement si cette personne se sent mal, sans jamais poser de questions directes et effrayantes comme « Êtes-vous déprimé ? ». C'est le rêve du dépistage conversationnel de la dépression. Les scientifiques savent depuis longtemps que des outils comme l'Inventaire de Dépression de Beck (BDI-II) sont excellents pour mesurer la tristesse et d'autres symptômes, mais ils nécessitent généralement un médecin humain formé pour poser les questions. C'est coûteux et difficile à déployer à grande échelle. Entrez en scène les Modèles de Langage de Grande Taille (LLM) : des programmes informatiques super intelligents capables de parler comme des humains. La grande question que se posent les chercheurs est la suivante : pouvons-nous construire un robot intervieweur assez intelligent pour repérer les signes de dépression simplement en discutant, sans avoir besoin d'un humain pour intervenir ? Le défi est délicat car ces robots ne peuvent pas simplement « connaître » la réponse ; ils doivent la deviner en se basant sur une conversation, et on ne peut pas leur donner la bonne réponse pendant qu'ils apprennent.

Dans cet article, une équipe de Georgia Tech (DS@GT) tente de résoudre ce casse-tête pour une compétition appelée eRisk 2026. Ils ont construit un système pour interviewer des personnages informatiques (appelés « personas ») qui prétendent avoir différents niveaux de dépression. L'objectif était d'obtenir un score et de lister les quatre symptômes principaux, tout en maintenant une conversation naturelle. L'équipe a commencé par une idée simple : utiliser un seul IA super coûteuse et puissante pour faire tout le travail. Mais cela était coûteux et parfois incohérent. Ils ont donc fait évoluer leur système vers une « équipe » d'IA : une pour discuter, une pour noter et un gestionnaire pour garder le cap. Leur plus grande découverte ? Ils ont remplacé l'interviewerur « star » très coûteux par un modèle open-source moins cher (Gemma 27B) et ont utilisé des astuces mathématiques ingénieuses pour l'aider à rester sur sa tâche. Étonnamment, cette équipe moins chère a presque aussi bien performé que l'équipe coûteuse, prouvant qu'on n'a pas toujours besoin du cerveau le plus puissant (et le plus cher) pour accomplir la tâche, tant que l'on a un bon plan de jeu.

L'histoire de l'équipe de robots parlants

L'équipe de Georgia Tech, connue sous le nom de DS@GT, a participé à un concours où elle devait construire un système pour interviewer 20 personnages informatiques différents. Chaque personnage était un « persona » simulant une personne ayant un niveau spécifique de dépression. Les règles étaient strictes : le système devait agir comme une conversation naturelle, ne posant jamais de questions directes comme « Êtes-vous triste ? », mais plutôt en déduisant la réponse en écoutant la discussion. À la fin, le système devait deviner un score total (de 0 à 63) et nommer jusqu'à quatre symptômes clés.

L'équipe a essayé trois approches différentes, comme on améliorerait le moteur d'une voiture étape par étape.

1. Le prototype à moteur unique
D'abord, ils ont essayé un système « monolithique ». Imaginez un seul robot faisant tout : poser les questions, écouter les réponses et évaluer l'humeur, tout cela en même et en même temps. Cela fonctionnait, mais c'était un peu instable. Parfois, le robot se confondait, donnait des scores différents pour la même personne selon les jours, ou manquait de temps avant d'avoir abordé tous les sentiments importants. C'était comme un étudiant essayant de passer un examen, d'écrire une dissertation et de corriger la dissertation, tout cela en une seule respiration — trop de choses à gérer à la fois.

2. L'équipe multi-agents (La référence/Baseline)
Pour corriger la confusion, ils ont divisé le travail. Ils ont construit un Système Multi-Agents. Voyez cela comme une petite équipe de spécialistes :

• L'Interviewer : Un robot dont le seul travail est de discuter naturellement et de poser les bonnes questions de suivi.
• Le Scorer (Le Noteur) : Un autre robot qui observe toute la discussion et met constamment à jour le score et le niveau de confiance pour chaque symptôme possible.
• L'Orchestrateur : Un robot gestionnaire qui dit à l'Interviewer : « Hé, nous n'avons pas encore parlé du sommeil, va poser une question là-dessus maintenant ! » et décide quand arrêter la conversation.

Cette approche en équipe était beaucoup plus fiable. Cependant, elle avait un inconvénient : elle était coûteuse. Comme ils utilisaient une IA haut de gamme payante (GPT-5-nano) pour l'Interviewer, et qu'ils devaient mener la conversation de nombreuses fois pour obtenir une bonne moyenne, le coût grimpait vite.

3. La configuration hybride (La grande expérience)
L'équipe a posé une question audacieuse : Pouvons-nous remplacer l'Interviewer coûteux par un modèle open-source moins cher (Gemma 27B) si nous lui donnons de meilleures instructions ?

Ils ont remplacé l'Interviewer payant par le modèle open-source Gemma 27B. Mais ils savaient que ce modèle était un peu « plus faible » — il pourrait ne pas suivre les instructions aussi parfaitement ou creuser aussi profondément dans les émotions. Pour corriger cela, ils ne se sont pas contentés d'espérer le meilleur ; ils ont construit trois « filets de sécurité algorithmiques » pour guider le modèle plus faible :

• L'Arbre de Dialogue : Au lieu de laisser le robot inventer des questions à la volée, ils lui ont donné une carte pré-écrite (un arbre). Il commençait par des questions spécifiques sur la tristesse et suivait un chemin ramifié basé sur les réponses. Cela empêchait le robot de s'écarter du sujet.
• L'Agrégation pondérée par la fiabilité : Puisque le modèle plus faible pouvait faire des erreurs, ils ont mené l'entretien 20 fois au lieu de 10. Ensuite, au lieu de simplement choisir la réponse du milieu, ils ont utilisé une méthode mathématique intelligente (inspirée du cadre « Weaver ») pour pondérer les réponses. Si la plupart des sessions tombaient d'accord sur un symptôme, cette réponse recevait plus de poids. C'est comme demander à 20 étudiants une question et faire confiance à la réponse sur laquelle la majorité s'accorde, plutôt que de simplement en choisir une.
• L'Imputation par Cluster : Parfois, le robot omettait complètement un symptôme parce qu'il manquait de temps. Le système avait un plan de secours : si le robot manquait un symptôme mais détectait des signes forts de symptômes apparentés (comme voir de la « fatigue » et des « troubles du sommeil » alors qu'il avait manqué la « perte d'énergie »), il devinait le score manquant en se basant sur ces indices. Cela évitait que le score final soit trop bas simplement parce que le robot avait oublié de poser une question.

Les résultats : Moins cher et tout aussi bon

L'équipe a testé son système sur les 20 personas et a soumis trois versions différentes de leurs résultats.

• Le Run 1 utilisait l'équipe payante coûteuse (Baseline).
• Les Runs 2 et 3 utilisaient l'équipe hybride moins chère avec l'Interviewer open-source.

Les résultats ont été surprenants. Le système hybride, utilisant le modèle moins cher Gemma 27B, a en fait mieux performé que le système payant coûteux dans la métrique de score principale (ADODL).

• Le Run 3 (Hybride) a obtenu un score de 0,9063, se classant 3ème de tous les runs de toutes les équipes de la compétition.
• Le Run 1 (Baseline payante) a obtenu 0,8841.

Plus impressionnant encore, le système hybride coûtait environ 2 $ par persona, tandis que le système payant coûtait environ 8 $. Cela représente une réduction de coût de 75 % pour de meilleurs résultats !

Les auteurs suggèrent que cela prouve qu'on n'a pas nécessairement besoin de l'IA la plus chère pour construire un bon outil de dépistage de la santé mentale. En utilisant une structure d'équipe intelligente et en donnant à l'IA une carte claire à suivre, un modèle open-source moins cher peut faire un travail fantastique. C'est un point majeur car cela signifie que de tels outils pourraient être utilisés dans des endroits où l'argent est limité ou lorsque la confidentialité est une préoccupation majeure (puisque le modèle open-source peut fonctionner sur des ordinateurs locaux sans envoyer de données aux grandes entreprises technologiques).

L'équipe admet qu'elle n'a pas réalisé de test « tête-à-tête » parfait où elle aurait gardé tout le reste identique sauf le modèle, car les règles de la compétition changeaient de semaine en semaine. Cependant, les preuves qu'ils possèdent suggèrent fortement qu'avec la bonne guidance, une petite IA peut rivaliser bien au-delà de sa catégorie.