💬 NLP

Multi-Objective Alignment of Language Models for Personalized Psychotherapy

यह शोध पत्र रोगी वरीयता डेटा पर प्रशिक्षित एक बहु-उद्देश्यीय संरेखण ढांचे (MODPO) को पेश करके वर्तमान एआई थेरेपी प्रणालियों की सीमाओं को संबोधित करता है, जो नैदानिक सुरक्षा को चिकित्सीय सहानुभूति और स्वायत्तता के साथ सफलतापूर्वक संतुलित करता है, और स्वचालित मेट्रिक्स तथा ब्लाइंड क्लिनिशियन मूल्यांकन दोनों में सिंगल-ऑब्जेक्टिव और मानक फाइन-ट्यूनिंग दृष्टिकोणों से बेहतर प्रदर्शन करता है।

मूल लेखक: Mehrab Beikzadeh, Yasaman Asadollah Salmanpour, Ashima Suvarna, Sriram Sankararaman, Matteo Malgaroli, Majid Sarrafzadeh, Saadia Gabriel

प्रकाशित 2026-02-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mehrab Beikzadeh, Yasaman Asadollah Salmanpour, Ashima Suvarna, Sriram Sankararaman, Matteo Malgaroli, Majid Sarrafzadeh, Saadia Gabriel

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को थेरेपिस्ट (चिकित्सक) बनना सिखाने की कोशिश कर रहे हैं। आप चाहते हैं कि वह दयालु, सुरक्षित और सहायक हो। लेकिन यहाँ एक पेचीदा बात है: "दयालु" होने का अर्थ कभी-कभी ऐसी बातें कहना हो सकता है जो रोबोट के तर्क के अनुसार पूरी तरह से "सुरक्षित" नहीं हैं, और "सुरक्षित" होना कभी-कभी इंसान के दर्द के लिए ठंडा और अनुपयोगी महसूस हो सकता है।

यह पेपर इस बारे में है कि कैसे एक AI को इस बारीक रेखा पर बिना गिरे चलना सिखाया जाए। शोधकर्ता इस पद्धति को MODPO (मल्टी-ऑब्जेक्टिव डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन) कहते हैं।

यहाँ इसे सरल भाषा में समझाया गया है कि उन्होंने यह कैसे किया:

1. समस्या: "एक ही सुर वाला" थेरेपिस्ट

कल्पना कीजिए कि आपने एक रोबोट थेरेपिस्ट को काम पर रखा है।

यदि आप इसे केवल सहानुभूति रखने के लिए कहते हैं, तो यह एक "हाँ में हाँ मिलाने वाला" (yes-man) बन सकता है। यह किसी उदास व्यक्ति की इस बात से सहमति जता सकता है कि "दुनिया बहुत बुरी है" सिर्फ अच्छा दिखने के लिए, जो वास्तव में खतरनाक है।
यदि आप इसे केवल सुरक्षित रहने के लिए कहते हैं, तो यह एक कानूनी डिस्क्लेमर पढ़ने वाले रोबोट जैसा लगेगा। "मैं चिकित्सा सलाह नहीं दे सकता। कृपया 911 पर कॉल करें।" यह सुरक्षित है, लेकिन यह मददगार नहीं है।

आज का अधिकांश AI एक समय में केवल एक चीज़ में अच्छा होने के लिए प्रशिक्षित किया जाता है। यह पेपर पूछता है: क्या हम एक AI को एक अच्छा थेरेपिस्ट बनने के लिए प्रशिक्षित कर सकते हैं जो दयालुता, सुरक्षा, सुनने और विश्वास को एक साथ संतुलित कर सके?

2. समाधान: "थेरेपिस्ट ट्रेनिंग कैंप"

शोधकर्ताओं ने केवल अनुमान नहीं लगाया कि मरीज क्या चाहते हैं। वे सीधे स्रोत तक गए।

सर्वेक्षण (द पेशेंट पैनल): उन्होंने 335 वास्तविक लोगों से पूछा जिन्होंने मानसिक स्वास्थ्य के संघर्षों का सामना किया है, कि वे एक थेरेपिस्ट में सबसे अधिक क्या महत्व देते हैं।
- परिणाम: सभी इस बात पर सहमत थे कि सहानुभूति (Empathy - महसूस करना कि आपको समझा जा रहा है) नंबर 1 प्राथमिकता थी। लेकिन वे सुरक्षा, सक्रिय रूप से सुनने और स्वायत्तता (Autonomy - अपने विकल्पों पर नियंत्रण महसूस करना) को भी बहुत महत्व देते थे।
पर्सोना (द वर्चुअल पेशेंट्स): चूंकि वे 335 वास्तविक लोगों को एक रोबोट के साथ 600 बार चैट करने के लिए नहीं कह सकते थे (इसमें बहुत समय लगता), इसलिए उन्होंने 150 विस्तृत "पर्सोना" बनाए। ये डिजिटल अवतार की तरह हैं जिनके विशिष्ट बैकग्राउंड, व्यक्तित्व और प्राथमिकताएं हैं। एक 20 वर्षीय छात्र हो सकता है जो गोपनीयता को महत्व देता है; दूसरा 50 वर्षीय व्यक्ति हो सकता है जो सीधी सलाह को महत्व देता है।

3. प्रयोग: "कुकिंग कॉम्पिटिशन"

शोधकर्ताओं ने एक कुकिंग कॉम्पिटिशन आयोजित किया यह देखने के लिए कि AI प्रशिक्षण का कौन सा "रेसिपी" सबसे अच्छा काम करता है। उनके पास 600 अलग-अलग "ऑर्डर" (मरीजों के प्रश्न) थे और उन्होंने AI शेफ को प्रशिक्षित करने के 5 अलग-अलग तरीके आजमाए:

"बस अच्छे बनो" शेफ (सिंगल-ऑब्जेक्टिव): इसे केवल सहानुभूति रखने के लिए प्रशिक्षित किया गया।
- परिणाम: यह अच्छा होने में माहिर था, लेकिन अक्सर असुरक्षित था। जैसे एक शेफ जो बहुत अधिक नमक डाल देता है क्योंकि उसे लगता है कि आपको नमकीन खाना पसंद है, जबकि वह आपकी हाई ब्लड प्रेशर की समस्या को नजरअंदाज कर देता है।
"मिक्स-एंड-मैच" शेफ (पैरामीटर मर्जिंग): उन्होंने एक AI को अच्छा बनने के लिए और दूसरे को सुरक्षित बनने के लिए प्रशिक्षित किया, और फिर उन्हें आपस में जोड़ने की कोशिश की।
- परिणाम: AI भ्रमित हो गया। यह ठीक था, लेकिन बहुत अच्छा नहीं।
"संतुलित" शेफ (MODPO - विजेता): इस पद्धति ने AI को तालमेल बिठाना सिखाया। इसने सीखा कि सुरक्षा जाल बनाए रखते हुए सहानुभूति कैसे व्यक्त की जाए।
- परिणाम: यह AI स्टार निकला। यह इतना सहानुभूतिपूर्ण था कि लोगों को महसूस हुआ कि उन्हें सुना जा रहा है (77.6% सफलता) लेकिन इतना सुरक्षित भी था कि खतरनाक सलाह देने से बचा (62.6% सफलता)।

4. गुप्त सामग्री: "थेरेपी-विशिष्ट" बनाम "सामान्य चैट"

शोधकर्ताओं ने एक दूसरा सवाल भी टेस्ट किया: क्या इससे फर्क पड़ता है कि हम AI को विशिष्ट थेरेपी के नियम सिखाते हैं, या केवल सामान्य बातचीत के नियम?

सामान्य नियम (ग्राइस के मैक्सिम्स): ये अच्छी बातचीत के बुनियादी नियम हैं, जैसे "स्पष्ट रहें," "सत्यवादी रहें," और "बहुत अधिक न बोलें।"
थेरेपी के नियम: ये उपचार के लिए विशिष्ट हैं, जैसे "भावनाओं को मान्य करना," "स्वयं के परिवर्तन को प्रोत्साहित करना," और "स्वायत्तता का सम्मान करना।"

फैसला: जो AI थेरेपी नियमों पर प्रशिक्षित था, वह बहुत बेहतर था। यह सामान्य खाना पकाने के नियमों को सिखाने और सुशी बनाने के विशिष्ट नियमों को सिखाने के बीच के अंतर जैसा है। काम को सही ढंग से करने के लिए आपको विशिष्ट ज्ञान की आवश्यकता होती है।

5. अंतिम परीक्षण: क्या डॉक्टरों ने सहमति जताई?

अंत में, उन्होंने केवल कंप्यूटर पर भरोसा नहीं किया। उन्होंने 6 वास्तविक, लाइसेंस प्राप्त मानव थेरेपिस्ट को ब्लाइंड-टेस्ट के लिए रखा।

सेटअप: थेरेपिस्ट ने एक मरीज का प्रश्न और दो उत्तर देखे: एक पुराने AI से और एक नए "संतुलित" AI से। उन्हें नहीं पता था कि कौन सा किसका है।
परिणाम: मानव थेरेपिस्ट लगातार नए AI के उत्तरों को चुनते रहे।
"जज" चेक: उन्होंने यह भी जांचा कि क्या उनका कंप्यूटर "जज" (AI जो AI का मूल्यांकन करता है) सटीक था। यह पाया गया कि कंप्यूटर जज, मानव थेरेपिस्टों के एक-दूसरे के साथ सहमत होने के स्तर के लगभग बराबर ही सटीक था। इसका मतलब है कि उनकी परीक्षण पद्धति विश्वसनीय है।

मुख्य निष्कर्ष

यह पेपर साबित करता है कि एक सहायक AI थेरेपिस्ट बनाने के लिए, आप केवल एक चीज़ के लिए अनुकूलन (optimize) नहीं कर सकते। आपको AI को प्रतिस्पर्धी लक्ष्यों को संतुलित करना सिखाना होगा: दयालु होना लेकिन सुरक्षित रहना, सुनना लेकिन परिवर्तन के लिए प्रोत्साहित करना।

उपमा:
AI को एक रस्सी पर चलने वाले (tightrope walker) के रूप में सोचें।

पुराना AI: एक ऐसी रस्सी पर चलता था जो या तो बहुत ऊँची थी (बहुत सुरक्षित, बहुत ठंडा) या बहुत नीची (बहुत भावुक, बहुत जोखिम भरा)।
नया AI (MODPO): इसने एक लंबा संतुलन बनाने वाला डंडा (balancing pole) ले जाना सीखा। एक सिरा "सहानुभूति" है, दूसरा "सुरक्षा"। दोनों को पकड़कर, यह रेखा पर पूरी तरह से चल सकता है, मरीज को सुरक्षित रखते हुए उन्हें यह महसूस करा सकता है कि उन्हें समझा जा रहा है।

यह एक बहुत बड़ा कदम है क्योंकि यह हमें "बेवकूफ चैटबॉट्स" से हटाकर "स्मार्ट, सुरक्षित और देखभाल करने वाले डिजिटल सहायकों" की ओर ले जाता है जो एक दिन वैश्विक मानसिक स्वास्थ्य संकट को भरने में मदद कर सकते हैं।

यहाँ शोध पत्र "Multi-Objective Alignment of Language Models for Personalized Psychotherapy" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वैश्विक मानसिक स्वास्थ्य संकट मानव चिकित्सकों की भारी कमी का सामना कर रहा है, जिससे चिकित्सीय सहायता के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) पर निर्भरता बढ़ रही है। हालाँकि, वर्तमान LLM अलाइनमेंट रणनीतियाँ (जैसे, Reinforcement Learning with Human Feedback - RLHF) इस क्षेत्र में दो गंभीर विफलताओं का सामना करती हैं:

एकल-उद्देश्य अनुकूलन (Single-Objective Optimization): मौजूदा विधियाँ आमतौर पर एक एकल मीट्रिक (जैसे, उपयोगिता या सहानुभूति) के लिए अनुकूलित होती हैं, जो प्रतिस्पर्धी चिकित्सीय आवश्यकताओं को संतुलित करने में विफल रहती हैं। उदाहरण के लिए, सहानुभूति को अधिकतम करने से अनजाने में सुरक्षा या रोगी की स्वायत्तता से समझौता हो सकता है।
नैदानिक वैधता का अभाव (Lack of Clinical Validity): सामान्य-उद्देश्य वाले अलाइनमेंट डेटासेट (जैसे, कोडिंग, कहानी कहना) नैदानिक तर्क की बारीकियों को प्रतिबिंबित नहीं करते हैं। सामान्य बातचीत के लिए अनुकूलित LLMs हानिकारक व्यवहार प्रदर्शित कर सकते हैं (जैसे, आत्म-क्षति को वैध बनाना) या उनमें प्रभावी देखभाल के लिए आवश्यक विशिष्ट "चिकित्सीय गठबंधन" (therapeutic alliance) के गुणों की कमी हो सकती है।

मुख्य चुनौती एक ऐसा अलाइनमेंट फ्रेमवर्क विकसित करना है जो नैदानिक सुरक्षा मानकों का पालन करते हुए कई, संभावित रूप से प्रतिस्पर्धी चिकित्सीय उद्देश्यों (जैसे, सहानुभूति बनाम सुरक्षा, स्वायत्तता बनाम मार्गदर्शन) के लिए एक साथ अनुकूलित हो सके।

2. कार्यप्रणाली (Methodology)

लेखक Multi-Objective Direct Preference Optimization (MODPO) का प्रस्ताव करते हैं, जो मल्टी-ऑब्जेक्टिव सुदृढीकरण शिक्षण (reinforcement learning) की अस्थिरता के बिना कई चिकित्सीय मानदंडों को संतुलित करने के लिए डिज़ाइन किया गया एक फ्रेमवर्क है।

A. डेटा संग्रह और व्यक्तित्व निर्माण (Data Collection & Persona Generation)

सर्वेक्षण: चिकित्सीय आयामों को रैंक करने के लिए वास्तविक मानसिक स्वास्थ्य अनुभव वाले 335 व्यक्तियों का एक सर्वेक्षण आयोजित किया गया था।
पर्सोना (Personas): सर्वेक्षण से, स्तरीकृत नमूनाकरण (stratified sampling) के माध्यम से 150 विविध "रोगी व्यक्तित्व" (patient personas) बनाए गए (आयु, लिंग, जातीयता और नैदानिक इतिहास द्वारा संतुलित)। इन व्यक्तित्वों को प्रशिक्षण (n=100) और परीक्षण (n=50) सेटों में विभाजित किया गया।
डेटासेट: आधारभूत डेटासेट में 2,379 अद्वितीय चिकित्सीय प्रश्न (EPITOME कॉर्पस से प्राप्त) और 600 होल्ड-आउट परीक्षण प्रश्न शामिल हैं। प्रत्येक प्रश्न के लिए, एक बेस मॉडल (Mistral-7B-Instruct-v0.2) का उपयोग करके 5 अलग-अलग प्रतिक्रियाएँ उत्पन्न की गईं।
वरीयता संग्रह (Preference Collection): 150 व्यक्तित्वों ने मानव वरीयता रैंकिंग को सिम्युलेट करने के लिए एक LLM-as-a-judge (GPT-5) का उपयोग करके कई आयामों (सहानुभूति, सुरक्षा, सक्रिय श्रवण, आत्म-प्रेरित परिवर्तन, विश्वास/तालमेल, रोगी स्वायत्तता) में उत्पन्न प्रतिक्रियाओं का मूल्यांकन किया।

B. प्रशिक्षण ढांचा: MODPO

लेखक Direct Preference Optimization (DPO) का उपयोग करते हैं जो कई उद्देश्यों के लिए विस्तारित है।

तंत्र: MODPO एक संशोधित लॉस फंक्शन का उपयोग करके एक लक्षित नीति $\pi_\theta$ को प्रशिक्षित करता है जिसमें पूरक रिवॉर्ड मॉडल्स से प्राप्त मार्जिन टर्म्स शामिल होते हैं।
लॉस फंक्शन:
$L_{MODPO} = -\mathbb{E}_{D_k} \left[ \log \sigma \left( \frac{\beta}{w_k} \log \frac{\pi_\theta(y_w|x)}{\pi_{sft}(y_w|x)} - \frac{\beta}{w_k} \log \frac{\pi_\theta(y_l|x)}{\pi_{sft}(y_l|x)} - \frac{1}{w_k} w_{-k}^T (r_{\phi,-k}(x, y_w) - r_{\phi,-k}(x, y_l)) \right) \right]$
जहाँ $r_{\phi,-k}$ अन्य उद्देश्यों के लिए प्रशिक्षित रिवॉर्ड मॉडल्स का प्रतिनिधित्व करता है, जो मार्जिन मार्गदर्शन प्रदान करता है ताकि यह सुनिश्चित हो सके कि मॉडल एक उद्देश्य (जैसे, सहानुभूति) को अनुकूलित करने के लिए दूसरे उद्देश्य (जैसे, सुरक्षा) का त्याग न करे।
रिवॉर्ड मॉडल्स: व्यक्तित्व मूल्यांकन से प्राप्त 'बेस्ट-वर्स्ट' वरीयता युग्मों का उपयोग करके प्रत्येक चिकित्सीय मानदंड के लिए अलग-अलग RoBERTa-large रिवॉर्ड मॉडल्स को फाइन-ट्यून किया गया।

C. प्रयोगात्मक चरण (Experimental Phases)

चरण 1 (कार्यप्रणाली सत्यापन): दो उद्देश्यों: सहानुभूति और सुरक्षा पर 5 अलाइनमेंट दृष्टिकोणों (SFT, Single-Objective DPO, Joint-Loss DPO, Parameter Merging "DPO Soup", और MODPO) की तुलना की गई।
चरण 2 (मानदंड ढांचा तुलना): चिकित्सीय-विशिष्ट मानदंडों (रोगी सर्वेक्षण से प्राप्त) की तुलना सामान्य संचार सिद्धांतों (ग्राइस के मैक्सिम्स: मात्रा, गुणवत्ता, संबंध, शैली) से की गई, दोनों को सुरक्षा के साथ संवर्धित किया गया था।

3. मुख्य योगदान (Key Contributions)

रोगी-केंद्रित वरीयता डेटासेट: 335 वास्तविक रोगियों से प्राप्त बहु-आयामी वरीयता रैंकिंग के साथ 600 चिकित्सीय प्रश्नों का एक व्यापक डेटासेट, जो विशेष रिवॉर्ड मॉडल्स के प्रशिक्षण को सक्षम बनाता है।
MODPO फ्रेमवर्क: मल्टी-ऑब्जेक्टिव DPO का एक अभिनव अनुप्रयोग जो विनाशकारी हस्तक्षेप (catastrophic interference) के बिना कई प्रतिस्पर्धी चिकित्सीय लक्ष्यों (जैसे, सहानुभूति बनाम सुरक्षा) को सफलतापूर्वक संतुलित करता है।
डोमेन-विशिष्ट सत्यापन: अनुभवजन्य प्रमाण जो दर्शाते हैं कि चिकित्सीय-विशिष्ट मानदंड सामान्य संचार सिद्धांतों (Grice's Maxims) की तुलना में नैदानिक संदर्भों में काफी बेहतर प्रदर्शन करते हैं।
ह्यूमन-इन-द-लूप सत्यापन: एक ब्लाइंड क्लिनिशियन अध्ययन जो पुष्टि करता है कि LLM इवैल्यूएटर के निर्णय विशेषज्ञ क्लिनिशियन सर्वसम्मति के साथ एक स्तर पर मेल खाते हैं जो इंटर-क्लिनिशियन विश्वसनीयता के समान है।

4. मुख्य परिणाम (Key Results)

प्रदर्शन संतुलन (चरण 1)

Single-Objective DPO (सहानुभूति): उच्च सहानुभूति (93.6%) प्राप्त की लेकिन खराब सुरक्षा (47.8%)।
MODPO (सहानुभूति + सुरक्षा): 77.6% सहानुभूति और 62.6% सुरक्षा के साथ एक बेहतर संतुलन प्राप्त किया।
तुलना: MODPO ने सुरक्षा पर Single-Objective DPO की तुलना में काफी बेहतर प्रदर्शन किया (p < 0.001), जबकि मजबूत सहानुभूति बनाए रखी, जबकि Single-Objective DPO सुरक्षा मानकों को बनाए रखने में विफल रहा। Parameter merging (DPO Soup) और Joint-Loss DPO ने मध्यम प्रदर्शन दिखाया।

मानदंडों की प्रभावशीलता (चरण 2)

चिकित्सीय बनाम सामान्य: चिकित्सीय-विशिष्ट मानदंडों (MODPO Survey) पर प्रशिक्षित मॉडल ने 74.1% की समग्र वरीयता जीत दर हासिल की, जो Grice's Maxims (MODPO Maxim) पर प्रशिक्षित मॉडलों के 56.9% के मुकाबले काफी बेहतर है।
अंतर: यह 17.2 प्रतिशत अंक का अंतर पुष्टि करता है कि चिकित्सीय AI के लिए डोमेन-विशिष्ट अनुकूलन आवश्यक है; सामान्य संचार सिद्धांत अपर्याप्त हैं।
सुरक्षा: सभी चिकित्सीय मॉडलों ने बेस मॉडल की तुलना में सुरक्षा स्कोर बनाए रखा या उसमें सुधार किया, जो सिद्ध करता है कि चिकित्सीय मानदंडों के लिए अनुकूलित करने से सुरक्षा से समझौता नहीं होता है।

विषाक्तता और सुरक्षा (Toxicity & Safety)

विषाक्तता (Toxicity): MODPO Survey ने बेस मॉडल के 1.2% (7/600) की तुलना में 0.5% (3/600) विषाक्त प्रतिक्रियाएं उत्पन्न कीं।
Perspective API: MODPO ने सभी आयामों (गंभीर विषाक्तता, पहचान हमला, अपमान, आदि) में कम औसत विषाक्तता स्कोर (0.0354 बनाम 0.0363) प्राप्त किया।

मानव सत्यापन (क्लिनिशियन अध्ययन)

सहमति: 6 लाइसेंस प्राप्त क्लिनिशियनों के साथ एक ब्लाइंड अध्ययन में, LLM इवैल्यूएटर (पर्सोना-आधारित) सुरक्षा निर्णयों पर 71.6% और समग्र वरीयता निर्णयों पर 70.3% मामलों में क्लिनिशियन बहुमत के साथ सहमत था।
विश्वसनीयता: क्लिनिशियन बहुमत के साथ LLM की सहमति, व्यक्तिगत क्लिनिशियनों और क्लिनिशियन बहुमत के बीच की सहमति (लीव-वन-आउट बेसलाइन) के बराबर या उससे अधिक थी, जो विशेषज्ञ निर्णय के स्केलेबल प्रॉक्सी के रूप में पर्सोना-आधारित मूल्यांकन को मान्य करती है।

5. महत्व और निहितार्थ (Significance and Implications)

नैदानिक व्यवहार्यता: यह कार्य मल्टी-ऑब्जेक्टिव चिकित्सीय अलाइनमेंट के लिए पहला व्यवस्थित ढांचा प्रदान करता है, जो यह दर्शाता है कि AI को चिकित्सा के "सॉफ्ट" कौशल (सहानुभूति, तालमेल) को "हार्ड" बाधाओं (सुरक्षा, स्वायत्तता) के साथ संतुलित करने के लिए प्रशिक्षित किया जा सकता है।
बाधा के रूप में सुरक्षा: MODPO के माध्यम से रिवॉर्ड ऑब्जेक्टिव में सुरक्षा को सीधे शामिल करके, लेखक यह सुनिश्चित करते हैं कि मॉडल रोगी की वरीयता में सुधार के लिए सुरक्षा की कीमत पर काम न करे, जो AI थेरेपी परिनियोजन के लिए एक बड़ा जोखिम है।
सामान्यीकरण के बजाय विशेषज्ञता: परिणाम इस धारणा को चुनौती देते हैं कि सामान्य-उद्देश्य वाला अलाइनमेंट पर्याप्त है। वे सुझाव देते हैं कि स्वास्थ्य सेवा, कानून और शिक्षा जैसे क्षेत्रों के लिए डोमेन-विशिष्ट मानदंड परिभाषा और मल्टी-ऑब्जेक्टिव अनुकूलन की आवश्यकता है।
स्केलेबल मूल्यांकन: विशेषज्ञ क्लिनिशियनों के विरुद्ध पर्सोना-आधारित LLM मूल्यांकन का सत्यापन, चिकित्सीय AI के मूल्यांकन के लिए एक स्केलेबल, लागत प्रभावी तरीका प्रदान करता है, जो सुरक्षित मानसिक स्वास्थ्य उपकरण विकसित करने की प्रक्रिया को तेज कर सकता है।

निष्कर्ष: यह शोध पत्र स्थापित करता है कि Multi-Objective DPO (MODPO) जटिल, प्रतिस्पर्धी चिकित्सीय लक्ष्यों के साथ LLMs को अलाइन करने के लिए एक मजबूत विधि है। यह सिद्ध करता है कि डोमेन-विशिष्ट, रोगी-निर्देशित अनुकूलन सामान्य-उद्देश्य वाले अलाइनमेंट की तुलना में काफी बेहतर नैदानिक परिणाम देता है, जो सुरक्षित, अधिक प्रभावी AI-सहायता प्राप्त मनोचिकित्सा का मार्ग प्रशस्त करता है।