💻 computer science

The Empirically Grounded Adaptive Virtual Patient for Psychotherapy Training: Disclosure That Responds to Therapist Micro-Skills

Dit artikel presenteert de Adaptive Virtual Patient (AVP), een systeem voor psychotherapie-training dat de mate van openheid van een gesimuleerde patiënt dynamisch aanpast op basis van de microvaardigheden van de therapeut door een empirisch onderbouwd structureel vergelijkingsmodel te combineren met een LLM, waarmee een superieure adaptiviteit wordt aangetoond ten opzichte van statische baselines in klinische evaluaties.

Oorspronkelijke auteurs: Angela Chen, Siwei Jin, Catherine Bao, Canwen Wang, Robert E. Kraut, Tongshuang Wu, Haiyi Zhu

Gepubliceerd 2026-06-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Angela Chen, Siwei Jin, Catherine Bao, Canwen Wang, Robert E. Kraut, Tongshuang Wu, Haiyi Zhu

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 voor dat je leert autorijden. Je kunt in een auto zitten die nooit beweegt, of in een auto die perfect rijdt, wat je ook doet. Geen van beide helpt je om te leren. Wat je nodig hebt, is een rijinstructeur die op jou reageert. Als je te agressief bent, houdt de instructeur de grip steviger vast. Als je zacht en vaardig bent, ontspant de instructeur en laat hij je het stuur overnemen.

Dit artikel introduceert een nieuw soort "virtuele patiënt" voor de training van therapeuten, die precies werkt als die bekwame rijinstructeur.

Het Probleem: De "Gescript" versus de "Dwalende" Robot

Momenteel bestaat het trainen van therapeuten met computers meestal uit twee slechte opties:

De Gescripte Robot: De patiënt volgt een vast script. Hoe goed de therapeut ook is, de patiënt zegt precies hetzelfde. Het is als een videogame waarbij de vijand altijd op dezelfde manier aanvalt; je kunt niet leren om je aan te passen.
De Dwalende AI: De patiënt wordt aangedreven door een slimme AI (een Large Language Model) die vloeiend praat. Maar het is als een gesprek met een vriend die halverwege de tijd verveeld raakt of de regels vergeet. De AI kan plotseling diepe geheimen te vroeg onthullen, of juist voor altijd gesloten blijven, ongeacht wat de therapeut zegt. De AI "leert" niet tijdens de sessie.

De Oplossing: De "Adaptieve Virtuele Patiënt" (AVP)

De auteurs hebben een systeem gebouwd genaamd de Adaptive Virtual Patient (AVP). Zie deze patiënt als iemand die een "Vertrouwensmeter" in zijn hoofd heeft.

Het Doel: De patiënt begint Gereserveerd (als een gesloten deur). Naarmate de therapeut laat zien bekwaam te zijn, gaat de deur langzaam open naar Gemiddelde openheid, en uiteindelijk naar Hoge openheid (diepe, gevoelige delen).
Het Geheime Ingrediënt: Het systeem raadt niet alleen wanneer de deur geopend moet worden. Het gebruikt een mathematisch model dat is gebouwd op basis van de analyse van bijna 2.000 uur aan echte therapiesessies. Het weet precies hoeveel "empathie" en "nieuwsgierigheid" een echte therapeut moet tonen om een echte patiënt veilig genoeg te laten voelen om zich te openen.

Hoe het Werkt (Het "Verkeerslicht"-systeem)

Het systeem doorloopt drie eenvoudige stappen voor alles wat de therapeut zegt:

De Scorekaart (Vaardigheidsdetectie): Twee AI-rechters luisteren naar de therapeut. Ze geven punten voor Empathie (laten zien dat ze gevoelens begrijpen) en Exploratie (open vragen stellen om dieper te graven).
De Accumulator (Statusupdate): Deze punten worden toegevoegd aan een lopend totaal, de "Vertrouwensmeter".
- Analogie: Stel je voor dat je een emmer met water vult. De goede vaardigheden van de therapeut zijn het water. De emmer heeft een gaatje onderaan, maar dat is heel klein. Als de therapeut slecht is, blijft de emmer leeg (Gereserveerd). Als de therapeut goed is, stijgt het waterniveau.
- Zodra het water een bepaalde lijn bereikt, verandert de "persoonlijkheid" van de patiënt van "Gereserveerd" naar "Gemiddeld".
De Actor (Responsgeneratie): Een slimme AI schrijft het antwoord van de patiënt. Maar hier is de crux: de AI is in handboeien gelegd. De AI mag alleen dingen zeggen die passen bij het huidige waterniveau.
- Als de emmer laag staat, mag de AI niet over trauma's of diepe geheimen praten, zelfs als de AI het verhaal kent. De AI moet vaag blijven.
- Als de emmer vol is, mag de AI die diepe geheimen wel delen.

Het Experiment: Werkte het?

De onderzoekers testten dit met 20 echte therapeuten en trainees. Zij lieten hen chatten met twee soorten patiënten:

De Statische Patiënt: De AI die gewoon praat zonder de "Vertrouwensmeter".
De Adaptieve Patiënt (AVP): De patiënt met de Vertrouwensmeter.

De Resultaten:

De Statische Patiënt was als een kapotte plaat. Hij begon direct diepe geheimen te onthullen en bleef dat doen, ongeacht hoe slecht de therapeut was. Hij veranderde niet.
De Adaptieve Patiënt gedroeg zich als een echt mens.
- Wanneer therapeuten onbekwaam waren, bleef de patiënt Gereserveerd en gaf korte, vage antwoorden.
- Wanneer therapeuten goede vaardigheden gebruikten (empathie en exploratie), opende de patiënt zich langzaam, en onthulde steeds meer persoonlijke details naarmate het gesprek vorderde.
- De "Vertrouwensmeter" steeg gestaag, precies zoals een echte therapiesessie zou moeten verlopen.

Een Verrassende Wending

De onderzoekers ontdekten iets interessants over wat de patiënt deed openen.

Ze dachten dat Empathie (zeggen "Ik begrijp je") de belangrijkste sleutel zou zijn.
De Realiteit: Exploratie (vragen "Vertel me meer over dat") was de echte krachtpatser. Het was ongeveer 3 keer belangrijker dan empathie om de patiënt te laten openen.
Het systeem is gebouwd om exploratie een hogere weging te geven, en de data bewezen dat dit de juiste beslissing was. Als ze exploratie hadden genegeerd, zou de patiënt voor altijd gesloten zijn gebleven.

Waarom dit Belangrijk is (Volgens het Papier)

Dit gaat niet alleen over het maken van een betere chatbot. Het gaat over controle en realisme.

Controleerbaar: Omdat de "Vertrouwensmeter" gescheiden is van het brein van de AI, kunnen onderzoekers precies zien waarom de patiënt zich opende. Ze kunnen de wiskunde controleren.
Realistisch: De patiënt "doet" niet alleen alsof hij open is; hij wordt open op basis van een mathematisch model van echt menselijk gedrag.
Training: Het geeft trainees directe feedback. Als ze de patiënt niet aan het openen krijgen, weten ze dat ze niet de juiste vragen hebben gesteld of niet genoeg nieuwsgierigheid hebben getoond.

Kortom, dit systeem verandert een computersimulatie van een "gescript toneelstuk" in een "responsieve dans", waarbij de patiënt alleen vooruit beweegt wanneer de therapeut hen daarheen leidt met de juiste vaardigheden.

Technische Samenvatting: De Empirisch Gegronde Adaptieve Virtuele Patiënt voor Psychotherapie-training

Probleemstelling

Large Language Models (LLM's) worden steeds vaker gebruikt als conversationele agenten voor het trainen van psychotherapeutische micro-vaardigheden, zoals empathische respons en exploratieve bevraging. Echter, huidige systemen kampen met een kritieke beperking: ze vertrouwen ofwel op vaste scripts die turn-by-turn adaptatie verhinderen, ofwel op LLM's met statische persona-prompts die onvoorspelbaar afdwalen tijdens lange sessies. Hoewel agenten als patiënten kunnen klinken, slagen ze er vaak niet in om de contingente, evoluerende staatveranderingen te vertonen die vereist zijn voor realistische training. Specifiek houdt een realistische therapiesessie een patiënt in die aanvankelijk gereserveerd is en zich pas geleidelijk openstelt naarmate de trainee specifieke vaardigheden (empathie en exploratie) demonstreert. Bestaande adaptieve benaderingen maken vaak gebruik van regelgebaseerde mapping van evaluatiescores naar gedrag die niet gegrond zijn in psychotherapie-theorie of empirische data, waardoor ze falen in het modelleren van de geleidelijke progressie waarbij therapeutische gedragingen de staat van de patiënt over tijd vormgeven.

Methodologie

De auteurs stellen de Adaptive Virtual Patient (AVP) voor, een framework dat gedragsmatige staatsovergangen scheidt van taalgeneratie. Het systeem werkt in drie afzonderlijke componenten per beurt:

Skill Detection (Vaardigheidsdetectie): Twee LLM-evaluatoren scoren de meest recente uiting van de trainee op klinisch betekenisvolle gedragingen:
- Empathie: Bestaande uit interpretatie ( $i$ ), emotionele reactie ( $e$ ) en reflectie ( $r$ ), gescoord op een schaal van 0–2.
- Exploratie ( $x$ ): Open vragen en sonderingen, gescoord op een schaal van 0–2.
State Update (Dynamics Module): Een dynamiekmodule cumuleert deze scores in een lopende cumulatieve score ( $D_t$ ). Deze module is empirisch gegrond in een Structureel Vergelijkingsmodel (SEM) afgeleid van bijna 2.000 uur aan echte psychotherapie-transcripten. De update-regel wordt gedefinieerd als:
$\Delta_t = c + w_i i_t + w_{er} e_t + w_r r_t + w_{ex} x_t + \epsilon_t$
waarbij gewichten $w = (1, 1, 1, 3)$ de ratio van empathie-tot-exploratie benaderen die in de SEM werd gevonden. De cumulatieve score $D_t$ wordt ingedeeld in drie ordinale openheidsniveaus: Guarded (Gereserveerd - G), Medium (Gemiddeld - M), en High (Hoog - H), gebaseerd op vaste drempelwaarden.
Conditioned Response Generation (Gecondioneerde Responsgeneratie): Een LLM genereert de volgende uiting van de patiënt. Cruciaal is dat de LLM wordt geconditioneerd op het huidige openheidsniveau. De prompt bevat:
- Een instructie met betrekking tot de beperking van openheid (bijv. "Sam deelt geen persoonlijke informatie" voor niveau G).
- Een reeks onderwerpen voor openheid die specifiek zijn voor het huidige niveau (neutrale onderwerpen voor G, specifieke persoonlijke inhoud voor M, gevoelige/crisis-materie voor H).
- De scenario-briefing en dialooggeschiedenis.

Deze architectuur zorgt ervoor dat de LLM geen gevoelige informatie kan onthullen totdat de state manager dit expliciet toestaat via het openheidsniveau, wat "over-disclosure" voorkomt dat veel voorkomt bij prompt-only baselines.

Belangrijkste Bijdragen

Het artikel levert drie primaire bijdragen:

Een Modulair Framework voor Gedragsmatige Adaptiviteit: De auteurs introduceren een virtueel patiënt-framework waarbij gedragsverandering wordt afgehandeld door een kleine, expliciete module tussen de beurt van de gebruiker en de reactie van de agent. Door een latente openheidsstaat te updaten met gewichten afgeleid van een empirische SEM en de LLM te conditioneren op die staat, maakt het systeem adaptatie inspecteerbaar, controleerbaar en onderscheidbaar van het taalgeneratieproces.
Een Evaluatieframework met Vier Eigenschappen: Het artikel stelt vier meetbare eigenschappen voor en operationaliseert deze voor adaptieve virtuele patiënten:
- P1 Responsiviteit: De staat verandert in de richting die voorspeld wordt door empirische data als reactie op gebruikersgedrag.
- P2 Gradual Build-up (Geleidelijke Opbouw): Openheid neemt gestaag toe gedurende de sessie, voortschrijdend alleen naarmate de competentie van de gebruiker zich cumuleert.
- P3 Faithful Realization (Getrouwe Realisatie): De gegenereerde tekst komt overeen met de beoogde interne staat van het systeem.
- P4 Skill Sensitivity (Vaardigheidssensitiviteit): Verschillende gebruikersstrategieën (hoge vs. lage vaardigheid) produceren zichtbaar verschillende trajecten van openheid.
Empirische Validatie: Door middel van een studie met 20 clinici en trainees (80 sessies, 1.033 beurten) demonstreren de auteurs dat de AVP coherente, klimmende trajecten van openheid produceert die overeenkomen met de interne staat van het systeem, terwijl een prompt-only baseline (SVP) vlak blijft of ongepast hoog is.

Resultaten

De evaluatie vergeleek de Adaptive VP (AVP) met een Static VP (SVP) met behulp van twee persona's (Sam en Alex) over 80 sessies:

Responsiviteit (P1): Regressieanalyse toonde aan dat de staat van openheid van de AVP significant reageert op de exploratie van de gebruiker ( $\hat{\beta} = +0.281, p < .001$ ), terwijl de SVP geen significante reactie vertoonde. Opvallend genoeg suggereerden de empirische gegevens dat exploratie de openheid ongeveer 78 keer sterker drijft dan empathie, hoewel het gebruikte systeem een ratio van 3:1 hanteerde.
Gradual Build-up (P2): De AVP vertoonde een sterke, gestage klim in openheid van Guarded (G) naar Medium (M) over de sessie ( $R^2 = 0.94$ ). In contrast hiermee begon de SVP op een hoog openheidsniveau en bleef vlak ( $R^2 = 0.15$ ), waardoor het faalde om openheid te conditioneren op de vaardigheid van de trainee.
Faithful Realization (P3): De gegenereerde tekst van de AVP stemde in 65,1% van de gevallen overeen met het beoogde openheidsniveau, wat aanzienlijk beter is dan de 31,1% van de SVP. De SVP produceerde regelmatig "false positives" voor hoge openheid (H), ongeacht de beoogde staat.
Skill Sensitivity (P4): Trainees met hoge vaardigheden lokten steilere trajecten van openheid uit ( $\Delta = +0.85$ ) vergeleken met trainees met lage vaardigheden ( $\Delta = +0.60$ ) in de AVP-conditie. De SVP vertoonde dergelijke differentiatie niet.
Menselijke Beoordelingen: Gecertificeerde therapeuten beoordeelden de adaptieve versie van de expressieve persona (Alex) hoger op consistentie, adaptiviteit, realisme en trainingsnut. Echter, voor de gereserveerde persona (Sam) werd de adaptieve versie lager beoordeeld op waargenomen adaptiviteit, wat suggereert dat de langzame, gekalibreerde terughoudendheid die ontworpen is voor gereserveerde cliënten, in korte interacties kan worden ervaren als onresponsiviteit.
Ablatieonderzoek: Het verwijderen van exploratie uit de gewichtsvector veroorzaakte de grootste daling in overeenstemming met onafhankelijke beoordelaars (-15,8 procentpunten), wat bevestigt dat exploratie het dominante signaal is voor het drijven van veranderingen in openheid.

Betekenis en Claims

Het artikel claimt dat het AVP-framework een stap vertegenwoordigt naar gedragsmatig adaptieve conversationele agenten door langdurig gedrag te funderen in empirische interactiedynamiek in plaats van enkel op prompt engineering. De auteurs argumenteren dat:

Scheiding van Staat en Generatie: De architecturale scheiding van de gedragsmatige staat (dynamiekmodule) van de taalgeneratie essentieel is voor controleerbaarheid en testbaarheid, een prestatie die niet haalbaar is met prompt-only systemen.
Empirische Gronding: De waarde van het systeem ligt in de parametrisering afgeleid van echte psychotherapie-data, waardoor het de geleidelijke progressie van de therapeutische alliantie en openheid kan modelleren.
Limieten van LLM's: De auteurs stellen dat adaptiviteit niet automatisch ontstaat met betere LLM's, omdat LLM's een persistente staat-abstractie missen en standaard coöperatief zijn. De dynamiek van wanneer de staat verandert (bijv. de empathie-tot-exploratie ratio) zijn empirische schattingen die expliciet gemodelleerd moeten worden, en niet simpelweg afgeleid kunnen worden uit pretraining.
Generaliseerbaarheid: Hoewel gevalideerd in psychotherapie, wordt de architectuur (empirische dynamiek $\to$ ordinale staat $\to$ content-gated generatie) gepresenteerd als overdraagbaar naar andere domeinen waar gebruikersgedrag gegradeerde agent-responsen voorspelt, zoals medische interviewtraining of onderhandelingssimulaties.

De auteurs blijven bescheiden over beperkingen en merken op dat het systeem een trainingsinstrument is, geen klinisch substituut; dat het empirische model de specifieke distributie van de trainingscorpus reflecteert; en dat de huidige evaluatieperiode (ongeveer 10 beurten) mogelijk te kort is om de waargenomen adaptiviteit van gereserveerde persona's volledig te vatten.