💬 NLP

Tell Me: An LLM-powered Mental Well-being Assistant with RAG, Synthetic Dialogue Generation, and Agentic Planning

Dit artikel introduceert "Tell Me", een uitgebreid door LLM aangedreven systeem voor mentaal welzijn dat een op RAG gebaseerde conversationele assistent, een synthetische dialooggenerator voor onderzoek en data-augmentatie, en een agentic planning crew integreert om gepersonaliseerde zelfzorgplannen en begeleide meditatie te leveren, met als doel de hiaten in mentale gezondheidssteun te overbruggen door middel van verantwoorde, contextbewuste AI-innovatie.

Oorspronkelijke auteurs: Trishala Jayesh Ahalpara

Gepubliceerd 2026-06-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Trishala Jayesh Ahalpara

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je Tell Me voor als een digitale "wellness-workshop" ontwikkeld door onderzoekers van Fujitsu. Het is geen arts en het is geen vervanging voor een echte therapeut. Zie het in plaats daarvan als een hoogtechnologisch, reflectief dagboek dat met je kan praten, je helpt gesprekken te oefenen en een op maat gemaakt zelfzorgschema voor je kan opstellen.

Het paper presenteert dit systeem als een collectie van drie afzonderlijke tools die samenwerken, als drie verschillende specialisten in één kamer:

1. De "Kennisrijke Luisteraar" (De RAG-assistent)

Stel je voor dat je praat met een vriend die elk boek over mentale gezondheid heeft gelezen, maar een snelle herinnering nodig heeft aan het specifieke advies dat bij jouw situatie past.

Hoe het werkt: In plaats van simpelweg te gokken wat het moet zeggen op basis van algemene training, beschikt deze tool over een "bibliotheek" van echte (maar geanonimiseerde) therapeutische gesprekken. Wanneer je een probleem deelt, zoekt dit hulpmiddel snel in deze bibliotheek naar vergelijkbare situaties en gebruikt het die voorbeelden om een reactie te formuleren.
De analogie: Het is alsoer dat je een gesprek voert waarbij je vriend direct een relevante anekdote uit een notitieblok kan halen om te zeggen: "Oh, iemand anders voelde zich zo, en dit is hoe diegene het aanpakte," in plaats van algemeen advies te geven zoals "Haal gewoon adem."
Wat ze vonden: In hun tests merkten mensen dat deze "bibliotheek-verbonden" versie duidelijker en behulpzamer was dan een standaard AI die geen gebruik maakt van de bibliotheek. Het was echter soms een klein beetje trager omdat het eerst de "zoekopdracht" moest uitvoeren.

2. De "Veilige Oefenruimte" (Synthetische Dialooggenerator)

Onderzoekers hebben vaak data nodig om therapie te bestuderen, maar echte therapiesessies zijn privé en kunnen niet worden gedeeld.

Hoe het werkt: Deze tool fungeert als een regisseur. Je geeft het een "karakterprofiel" (bijv. "een 24-jarige student die gestrest is over school"), en het speelt beide rollen: de angstige student en de ondersteunende therapeut. Het genereert een fictief gesprek op basis van dat profiel.
De analogie: Denk aan een vluchtsimulator voor therapeuten. Net zoals piloten oefenen in een simulator zonder een echt vliegtuig te riskeren, kunnen onderzoekers deze fictieve gesprekken gebruiken om te bestuderen hoe therapie werkt, zonder ooit echte, privé patiënten te hoeven zien.
Wat ze vonden: De tool is goed in het nabootsen van de structuur van therapie (luisteren en reflecteren), maar het paper merkt op dat het soms te snel probeert problemen "op te lossen", zoals een monteur die probeert een auto te repareren voordat hij de oorzaak van het geluid volledig heeft begrepen.

3. De "Persoonlijke Projectmanager" (De Agentic Planner)

Terwijl de eerste tool je helpt om over je gevoelens te praten, helpt deze tool je om er iets mee te doen.

Hoe het werkt: Dit is een team van AI-agents die samenwerken. Eén agent luistert naar je gesprek en identificeert de belangrijkste zorgen. Een tweede agent doet onderzoek naar gezonde gewoonten. Een derde agent schrijft een 7-daags plan en neemt zelfs een audiobestand van een geleide meditatie voor je op om naar te luisteren.
De analogie: Stel je voor dat je tegen een personal trainer zegt: "Ik ben moe en gestrest." In plaats van alleen "Succes" te zeggen, fungeert dit systeem als een coach die een specifiek wekelijks trainingsschema voor je schrijft, je yogales boekt en een spraakbericht opneemt om je door een ademhalingsoefening te begeleiden.
Wat ze vonden: Het systeem slaagde erin om een rommelig, emotioneel verhaal om te zetten in een strak, georganiseerd 7-daags schema met taken voor de ochtend, middag en avond, inclusief een downloadbaar audiofragment.

Het Grotere Plaatje

Het paper benadrukt dat Tell Me een prototype is voor onderzoek, en geen medisch hulpmiddel.

Veiligheid Voorop: Het systeem heeft een "guardrail" die werkt als een uitsmijter. Als je iets zegt dat erop wijst dat je jezelf mogelijk pijn wilt doen, stopt het de conversatie en verwijst het je onmiddellijk door naar hulp in de echte wereld.
Het Doel: De auteurs zien dit als een manier om de drempel naar ondersteuning te verlagen. Net zoals we bewegen om fysiek fit te blijven, hopen zij dat tools zoals deze een normaal onderdeel kunnen worden van dagelijkse mentale instandhouding — iets dat je gebruikt om te reflecteren en te plannen, als aanvulling op (maar nooit als vervanging van) professionele zorg.

Kortom: Het is een drieledige tool die je helpt te chatten met een deskundige AI, onderzoekers in staat stelt te oefenen met fictieve therapiesessies, en een op maat gemaakt zelfzorgplan voor je bouwt met audiobegeleiding.

Technische Samenvatting: Tell Me – Een door LLM ondersteunde assistent voor mentaal welzijn

Probleemstelling

Ondanks de snelle adoptie van Large Language Models (LLM's) in toepassingen voor mentale gezondheid, kampen huidige systemen met drie hardnekkige beperkingen:

Gebrek aan Context: Reacties blijven vaak generiek of oppervlakkig door onvoldoende contextuele verankering.
Datatekort en Vertrouwelijkheid: Toegang tot authentieke therapeutische dialogen is beperkt, wat de beschikbaarheid van datasets, reproduceerbaarheid en het trainen van gespecialiseerde modellen belemmert.
Statische Functionaliteit: Veel bestaande welzijnsinstrumenten missen het vermogen om zich aan te passen aan individuele behoeften of evoluerende emotionele toestanden, en bieden weinig meer dan statisch advies.

Methodologie

De auteurs introduceren Tell Me, een open-source prototype ontworpen als een lichtgewicht, uitbreidbaar testbed voor verantwoorde LLM-toepassingen in mentaal welzijn. De systeemarchitectuur integreert drie afzonderlijke modules, verenigd via een Streamlit front-end die zowel cloud-gebaseerde (bijv. GPT-4o, Claude 3.7 Sonnet) als lokale (Ollama) inferentie ondersteunt.

1. RAG-gebaseerde Assistent (Contextbewuste Dialoog)

Deze kernmodule biedt reflectieve, kennisgegronde dialoog.

Kennisbank: Maakt gebruik van open-source datasets (Counsel Chat en Mental Health Counseling Conversations) die zijn geherformatteerd naar een Context–Response schema.
Retrieval: Gebruikt het BAAI/bge-small-en-v1.5 embedding model voor vectorisatie, gekozen vanwege de prestaties op de Massive Text Embedding Benchmark (MTEB) en de efficiëntie van de inferentie. Documenten worden gechunkt (128 tokens) en opgehaald via een VectorIndexRetriever (top-3 resultaten via cosinus-gelijkenis).
Veiligheid: Een LLM-gestuurde guardrail (Sentiment_chain via LangChain) verwerkt inputs vooraf om risicosignalen (bijv. zelfbeschadiging) te detecten, wat een deterministisch crisis-routingmechanisme triggert in plaats van vrije generatie.
Geheugen: Handhaaft conversationele coherentie met behulp van een ChatMemoryBuffer (3.000-token limiet).

2. Synthetische Dialooggenerator

Om het datatekort aan te pakken, genereert deze module synthetische cliënt–therapeut transcripten, geconditioneerd op door de gebruiker gedefinieerde cliëntprofielen (demografie, zorgen, geschiedenis).

Architectuur: Geïmplementeerd via LangChain met behulp van twee geïsoleerde LLMChain objecten met Conversation Buffer Memory.
Proces: Een "Client Chain" speelt de rol van de gebruikerspersona, terwijl een "Therapist Chain" technieken van reflectief luisteren gebruikt. Het systeem geeft de chatgeschiedenis iteratief door tussen de twee modellen om multi-turn transcripten te produceren.

3. Agentic Well-being Planner (CrewAI)

Deze module vertaalt dialoog naar actiegerichte, langetermijnondersteuning met behulp van een multi-agent orchestratieframework.

Agents:
- Transcript Analyzer: Extraheert emoties, zorgen en triggers.
- Plan Generator: Creëert een gestructureerde zevendagen zelfzorgroutine.
- Meditation Generator: Schrijft scripts voor geleide audio-sessies.
Workflow: Agents werken sequentieel. De output van de Analyzer dient als de strikte context voor de Plan Generator. Het definitieve meditatie-script wordt asynchroon omgezet naar audio via Text-to-Speech (TTS) integratie (bijv. Edge Neural TTS, ElevenLabs) en geleverd als een MP3.

Belangrijkste Bijdragen

Contextgevoelige RAG-assistent: Een systeem dat is gebenchmarkt over negen LLM's en tien welzijnsscenario's, gevalideerd via een LLM-as-a-judge framework en een blinde menselijke studie die RAG versus non-RAG outputs vergelijkt.
Synthetische Dialooggenerator: Een op profielen geconditioneerde tool voor veilige data-augmentatie die realistische therapeutische uitwisselingen genereert zonder de vertrouwelijkheid van patiënten in gevaar te brengen.
Agentic Planner: Een CrewAI-gebaseerde workflow die gesprekken dynamisch aanpast naar actiegerichte zelfzorgplannen en geleide meditatie, waardoor de kloof tussen statische tools en dynamische ondersteuning wordt overbrugd.

Evaluatieresultaten

Retrieval Prestaties

In een retrieval-only evaluatie met 30 synthetische query-document paren:

Hit Rate@5: 1.0000
MRR@5: 0.9222
Noot: De auteurs waarschuwen dat de perfecte Hit Rate waarschijnlijk een bijproduct is van de beperkte zoekruimte ( $N=30$ ) en synthetische queries, en primair dient als een sanity check.

LLM-as-a-Judge Benchmark

Negen modellen werden geëvalueerd op 10 prompts over vijf dimensies (Veiligheid, Empathie, Nuttigheid, Helderheid, Algemene Kwaliteit).

Top Performer: Claude 3.7 Sonnet behaalde de hoogste score (9.5/10) wanneer beoordeeld door GPT-5.
Observaties: Hoogpresterende modellen (Claude, Gemma-3, LLaMA-3) vertoonden empathische validatie, uitnodigende dialoog en culturele sensitiviteit. Minder presterende modellen vertoonden problemen zoals het pathologiseren van gebruikerservaringen of het bieden van generiek, minimaliserend advies.

Menselijke Evaluatie

Een binnen-onderwerp studie met 10 deelnemers vergeleek de RAG-ondersteunde assistent met een non-RAG baseline.

RAG Voordelen: Deelnemers beoordeelden het RAG-systeem significant hoger op Helderheid (4.2 vs. 3.5) en Nuttigheid (4.0 vs. 3.9). Kwalitatieve feedback beschreef de RAG-assistent als "georganiseerd", "on-point" en in staat om gebruikersinputs te valideren.
Trade-offs: Het non-RAG systeem werd als sneller ervaren maar minder boeiend. Het RAG-systeem leed incidenteel aan langere responstijden.
Algemeen: De RAG-assistent behaalde een hogere gemiddelde algemene score (3.8 vs. 3.6), wat suggereert dat retrieval-grounding de waarde voor reflectieve ondersteuning verbetert.

Betekenis en Claims

Het artikel positioneert Tell Me niet als een vervanging voor professionele therapie, maar als een reflectieve ruimte voor emotionele verwerking en een research testbed voor verantwoorde innovatie.

Onderzoek nut: Het systeem adresseert het tekort aan vertrouwelijke therapeutische data door een mechanisme te bieden voor het genereren van synthetische, op profielen gebaseerde dialogen, wat veiligere experimentatie en data-augmentatie mogelijk maakt.
Gaten overbruggen: Het demonstreert hoe conversationele assistenten de drempels voor ondersteuning kunnen verlagen door bestaande zorg aan te vullen, waarbij dynamische adaptatie (via de Agentic Planner) wordt geboden waar statische tools falen.
Interdisciplinair Potentieel: De auteurs benadrukken het systeem als een platform voor samenwerking tussen NLP-onderzoekers en mentale gezondheidsprofessionals om de mens-AI interactie te bevorderen.
Bescheidenheid: De auteurs erkennen expliciet de beperkingen, inclusief de kleine steekproefomvang van de menselijke studie, het gebrek aan klinische validatie door erkende professionals, en het feit dat synthetische dialogen de nuance van echte therapeutische uitwisselingen niet volledig kunnen vatten. Het systeem wordt gepresenteerd als een prototype voor dagelijkse reflectie en emotioneel onderhoud, analoog aan hoe fysieke activiteit medische zorg complementeert.