Technische Samenvatting: DeepSAGE

Probleemstelling

Hoewel Large Language Models (LLMs) een vloeiende en ondersteunende stijl hebben aangetoond bij het genereren van therapeutische reacties, missen ze vaak de gestructureerde, doelgerichte progressie die nodig is voor coherente therapiesessies. Bestaande systemen vertrouwen vaak op regelgebaseerde scripts, oppervlakkige NLP-pipelines of door de cliënt geleide interacties die er niet in slagen gebruikers door een psychologisch gefundeerd proces te leiden. Hoewel Cognitieve Gedragstherapie (CGT) een gestructureerde methodologie biedt, richten huidige LLM-gebaseerde CGT-systemen zich doorgaans op individuele dialoogbeurten of geïsoleerde componenten, in plaats van een volledige sessie te beheren als een gestructureerd, fasegericht proces. Bijgevolg blijft betrouwbare, op sessieniveau gebaseerde therapeutische begeleiding grotendeels onontgonnen.

Methodologie

De auteurs stellen DeepSAGE (Strategic AI Guidance Engine) voor, een hybride framework dat LLMs combineert met Deep Reinforcement Learning (DRL) om fasebewuste counseling-dialogen mogelijk te maken die geworteld zijn in de eerste sessie van CGT.

1. Fasegestructureerd Framework

De therapiesessie wordt gemodelleerd als een sequentie van elf afzonderlijke fasen, afgeleid uit de klinische literatuur (Beck, 2020), elk met expliciete therapeutische doelstellingen:

1. Begroeten (Greet)
2. Agenda vaststellen (Set Agenda)
3. Stemming controleren (Mood Check)
4. Updates ophalen (Obtain Updates)
5. Diagnose bespreken (Discuss Diagnosis)
6. Problemen en doelen identificeren (Identify Problems and Purposes)
7. Informeren over het cognitieve model (Educate About Cognitive Model)
8. Het cognitieve model toepassen op een cliëntprobleem (Apply Cognitive Model to a Client Problem)
9. Samenvatting oproepen (Elicit Summary)
10. Huiswerk bespreken (Review Homework)
11. Feedback oproepen (Elicit Feedback)

2. Fase-transitiemechanisme

Een externe controller bepaalt wanneer de volgende fase ($S_{i+1}$) wordt ingegaan op basis van een kwantitatief succes-criterium $G(S_i, r_t)$. Deze score wordt berekend na elke reactie van de cliënt ($r_t$) en combineert:

• Semantische Gelijkenis: Cosinus-gelijkenis tussen de reactie van de cliënt en de beschrijving van het doel van de fase.
• NLI Entailment: De waarschijnlijkheid dat de reactie het doel van de fase impliceert (entailment), wat ervoor zorgt dat de cliënt daadwerkelijk aan het doel voldoet in plaats van er alleen omheen te praten.
  Een fase wordt als voltooid beschouwd als $G(S_i, r_t) \geq \tau$ (drempelwaarde) of als het maximale aantal beurten ($T_{max}$) voor die fase is bereikt.

3. Hybride LLM-DRL Architectuur

Wanneer een fase nog niet voltooid is, selecteert een DRL-agent een therapeutische intentie om de generatie van de LLM-reactie te sturen.

• Toestand ($s_t$): Bestaat uit een semantische embedding van de recente dialoghistorie ($h_t$) en een contextuele vector ($c_t$) die de huidige fase-index en het aantal beurten codeert.
• Actieruimte: Zeven therapeutische intenties aangepast van Hill en O'Grady (2001): Ondersteunen, Catharsis stimuleren, Verhelderen, Focus leggen, Gevoelens identificeren, Maladaptieve cognities identificeren, en Ervaring normaliseren.
• Beloningsfunctie ($R_t$): Een modulaire functie die een balans vindt tussen:
  • Relevantie ($Rel_t$): Coherentie met de input van de cliënt en afstemming op de doelstellingen van de fase.
  • Zelfonthulling-telling ($SDC_t$): Het stimuleren van cliëntbetrokkenheid via eerste persoon voornaamwoorden en vermeldingen van persoonlijke entiteiten.
  • Fase-beurt straf ($-\lambda T_t$): Het ontmoedigen van excessieve herhaling (looping) om tijdige afronding van de sessie te bevorderen.
• Training: Het beleid wordt geoptimaliseerd met behulp van Proximal Policy Optimization (PPO).

4. Evaluatieopzet

Het systeem werd geëvalueerd met behulp van LLM-gesimuleerde cliënten (Angststoornis en Majeure Depressieve Stoornis) in een gecontroleerde omgeving. De baselines omvatten retrieval-augmented bots, standaard LLMs en diverse prompting-strategieën (LLM4CBT, Full-Protocol, Stage-Prompt).

Belangrijkste Bijdragen

1. Eerste Fasegestructureerd Framework: De auteurs stellen een framework voor dat een initiële CGT-sessie modelleert als elf fasen met expliciete doelstellingen en automatische fase-detectie voor dialoogbeheer.
2. Hybride Architectuur: Ontwikkeling van een LLM-DRL architectuur waarbij een DRL-beleid therapeutische intenties selecteert om de LLM-generatie te sturen, wat gestructureerde progressie mogelijk maakt terwijl de conversationele flexibiliteit behouden blijft.
3. Therapeutisch Gefundeerde Optimalisatie: Ontwerp van een actieruimte en beloningsfunctie die gezamenlijk cliëntbetrokkenheid, semantische relevantie, fase-progressie en voltooiing optimaliseren.
4. Empirische Demonstratie: Bewijs dat DeepSAGE beter presteert dan retrieval, prompting en niet-DRL fase-gestructureerde alternatieven op het gebied van gesimuleerde betrokkenheid, zelfonthulling en sessie-efficiëntie.

Resultaten

In gesimuleerde evaluaties met 100 sessies per conditie:

• Betrokkenheid en Zelfonthulling: DeepSAGE behaalde de hoogste User Utterance Length (UL) en Self-Disclosure Count (SDC) voor zowel Angststoornis (AD) als Majeure Depressieve Stoornis (MDD) cliënten. Voor MDD verbeterde het de UL met ~59,9% en de SDC met ~80,8% vergeleken met de sterkste niet-DeepSAGE baseline (LLM4CBT).
• Emotionele Intensiteitsdaling (EID): DeepSAGE demonstreerde sterke emotionele verlichting en behaalde de hoogste EID voor AD-cliënten en een gebalanceerd resultaat voor MDD (een combinatie van stressreductie met hoge betrokkenheid, in tegen tegenover gestandaardiseerde LLMs die wel een hoge EID vertoonden maar lage betrokkenheid).
• Sessie-efficiëntie: DeepS of DeepSAGE behaalde de hoogste Session Success Rate (SSR) terwijl het de minste counselor-uitspraken vereiste. Vergeleken met de ablatie-variant DeepSAGE_R (willekeurige actie-selectie), verbeterde DeepSAGE de SSR met ~10,9% (AD) en ~8,6% (MDD), terwijl het het aantal counselor-beurten met respectievelijk ~9,3% en ~7,0% verminderde.
• Expert Review: Domeinexperts beoordeelden de gegenereerde gesprekken als breed plausibel met herkenbare CGT-processen, hoewel sommigen melding maakten van een incidentele overmatige nadruk op vragen stellen of voortijdige oplossingsgerichtheid.

Betekenis en Beperkingen

Het artikel stelt dat het combineren van fasegestuurde dialoog met geleerde strategieselectie een veelbelovende aanpak is voor AI-counseling, waarbij relatieve verbeteringen in dialoogcontrole, betrokkenheid en sessie-efficiëntie worden aangetoond. De resultaten suggereren dat een geleerd beleid superieur is aan statische prompting of willekeurige actie-selectie bij het navigeren door de complexe dynamiek van een CGT-sessie.

De auteurs hanteren echter een bescheiden standpunt met betrekking tot klinische validiteit:

• Gesimuleerd Karakter: De evaluatie leunt primair op gesimuleerde cliënten en op modellen gebaseerde metrieken. De bevindingen tonen relatieve verbeteringen in dialoogcontrole aan, in plaats van bewezen klinische effectiviteit.
• Veiligheidsbeperkingen: De huidige actieruimte mist specifieke mechanismen voor crisis-escalatie of doorverwijzing. Veiligheidstesten wijzen uit dat het systeem bij hoog-risico input de actie "Identificeren van Maladaptieve Cognities" selecteert, wat geen passende klinische reactie is op acute crises.
• Status van Implementatie: DeepSAGE is een onderzoeksprototype, geen gelicentieerde klinische tool. De auteurs stellen expliciet dat het niet ingezet mag worden bij echte gebruikers zonder toezicht van een gelicentieerde clinicus, specifieke crisisdetectie en rigoureuze menselijke evaluatie van veiligheid en effectiviteit.

Het werk positioneert DeepSAGE als een stap naar mens-AI-workflows waarbij gestructureerde dialoogondersteuning wordt gecombineerd met klinisch toezicht, in plaats van een vervanging voor mentale gezondheidsprofessionals.