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

想象一下这样一个世界：一个友好、健谈的机器人可以坐下来，通过温和的方式判断一个人是否情绪低落，而无需询问那些令人恐惧且直接的问题，比如“你抑郁了吗？”这就是**对话式抑郁症筛查（conversational depression screening）的梦想。科学家们早已知道，像贝克抑郁自评量表（BDI-II）**这样的工具在测量悲伤及其他症状方面非常出色，但它们通常需要经过专业训练的人类医生来提问。这既昂贵又难以规模化。于是，**大语言模型（LLMs）**登场了：这些是能够像人类一样交谈的超级智能计算机程序。研究人员提出的核心问题是：我们能否构建一个足够聪明、仅通过聊天就能察觉抑郁迹象的机器人面试官，而无需人类介入？这个挑战非常棘手，因为这些机器人不能仅仅靠“直觉”知道答案；它们必须基于对话进行推测，而且在学习过程中不能被告知正确答案。

在这篇论文中，来自佐治亚理工学院（DS@GT）的一个团队试图为 eRisk 2026 竞赛解决这个谜题。他们构建了一个系统，用于采访不同的计算机角色（称为“人格/persona”），这些角色正在模拟不同程度的抑郁状态。目标是在保持对话自然的同时，获得一个评分并列出前四个症状。该团队最初有一个简单的想法：只使用一个超级昂贵且强大的 AI 来完成所有工作。但这既昂贵又不稳定。因此，他们将系统演进为由多个 AI 组成的“团队”：一个负责聊天，一个负责评分，还有一个经理负责掌控全局。他们最大的发现是：他们用一个更便宜的开源模型（Gemma 27B）替换了那个昂贵的“明星选手”面试官，并使用了巧妙的数学技巧来帮助它保持在任务轨道上。令人惊讶的是，这个较便宜的团队表现得几乎与那个昂贵的团队一样好，这证明了只要你有好的“战术手册”，并不一定需要最强大（也最昂贵）的大脑也能完成任务。

会话机器人团队的故事

佐治亚理工学院的团队（被称为 DS@GT）参加了一场竞赛，他们必须采访 20 个不同的计算机角色。每个角色都是一个“人格”，模拟具有特定抑郁程度的人。规则非常严格：系统必须表现得像一场自然的对话，绝不能问诸如“你难过吗？”之类的直接问题，而是要通过倾听聊天内容来推断答案。在结束时，系统必须猜出一个总分（从 0 到 63 分）并列出最多四个关键症状。

该团队尝试了三种不同的方法，就像逐步升级汽车引擎一样。

1. 单引擎原型
首先，他们尝试了一个“单体式”系统。想象一下一个单一的机器人承担所有工作：既要提问，又要倾听回答，还要同时对情绪进行评分。它虽然有效，但有些不稳定。有时机器人会感到困惑，对同一个人在不同日子里的评分不一致，或者在询问完所有重要感受之前就耗尽了时间。这就像一个学生试图在一次呼吸中同时完成考试、写论文和批改论文——这太难应付了。

2. 多智能体团队（基准方案）
为了解决混乱问题，他们拆分了工作。他们构建了一个多智能体系统（Multi-Agent System）。可以把它想象成一个小型专家团队：

• 面试官（The Interviewer）： 一个唯一的任务就是自然地聊天并提出正确的后续问题。
• 评分员（The Scorer）： 另一个观察整个聊天过程的机器人，它会不断更新每一个可能症状的分数和置信度。
• 编排者（The Orchestrator）： 一个经理机器人，它会告诉面试官：“嘿，我们还没问过睡眠情况，下一个去问那个！”并决定何时结束对话。

这种团队协作的方法要可靠得多。然而，它也有缺点：它很昂贵。由于他们使用了一款付费的高端 AI（GPT-5-nano）作为面试官，并且必须多次运行对话以获得良好的平均值，成本迅速上升。

3. 混合配置（大型实验）
团队提出了一个大胆的问题：如果我们给指令，能否用一个更便宜的开源模型（Gemma 27B）来替换昂贵的面试官？

他们用开源的 Gemma 27B 替换了付费的面试官。但他们知道这个模型稍微“弱”一些——它可能不会完美地遵循指令，或挖掘得不够深入。为了解决这个问题，他们不仅仅是听天由命，而是构建了三个“算法安全网”来引导这个较弱的模型：

• 对话树（The Dialogue Tree）： 他们没有让机器人即兴发挥问题，而是给了它一张预先写好的地图（树）。它从关于悲伤的特定问题开始，并根据回答进行分支路径。这防止了机器人偏离主题。
• 可靠性加权聚合（Reliability-Weighted Aggregation）： 由于较弱的模型可能会犯错，他们运行了 20 次而不是 10 次采访。然后，他们没有简单地选取中间答案，而是使用了一种聪明的数学方法（受“Weaver”框架启发）来加权答案。如果大多数运行结果对某个症状达成一致，那么该答案就会获得更高的权重。这就像询问 20 名学生同一个问题，然后信任那些大多数人都认同的答案，而不是只选一个。
• 聚类填补（Cluster Imputation）： 有时机器人会因为时间耗尽而完全错过某个症状。系统有一个备份计划：如果它漏掉了一个症状，但看到了相关症状的强烈迹象（例如，在错过“精力丧失”时看到了“疲劳”和“睡眠问题”），它会根据这些线索推测缺失的分数。这防止了仅仅因为机器人忘了问一个问题就导致最终得分过低。

结果：更便宜，且同样出色

团队在所有 20 个人格上运行了他们的系统，并提交了三个不同版本的运行结果。

• 运行 1 使用了昂贵的付费团队（基准方案）。
• 运行 2 和 3 使用了带有开源面试官的较便宜的混合团队。

结果令人惊喜。使用较便宜的 Gemma 27B 模型的混合系统，在主要评分指标（ADODL）上实际上比昂贵的付费系统表现得更好。

• 运行 3（混合型） 得分为 0.9063，在所有参赛团队的运行中排名第 3。
• 运行 1（付费基准） 得分为 0.8841。

更令人印象深刻的是，混合系统的每个角色成本约为 2 美元，而付费系统约为 8 美元。这意味着在获得更好结果的同时，实现了 75% 的成本降低！

作者指出，这证明了如果给予足够的“算法监督”（地图、数学方法和备份计划），一个较弱的开源模型可以与更强大的付费模型竞争。不过，他们也注意到一个小缺陷：混合系统在识别生理症状（如疲劳或睡眠问题）方面表现出色，但在识别深层情感（如内疚或悲伤）方面有时会出错。这导致在识别特定症状方面的得分略低，尽管整体抑郁分数是准确的。

这意味着什么

论文得出结论，你不一定需要最昂贵的 AI 来构建一个良好的心理健康筛查工具。通过使用智能的团队结构并为 AI 提供清晰的地图，一个较便宜的开源模型可以做得非常出色。这意义重大，因为这意味着此类工具可以在资金紧张或对隐私有极高要求的地区使用（因为开源模型可以在本地计算机上运行，无需向大型科技公司发送数据）。

团队承认，他们并没有进行完美的“一对一”测试（即除了模型之外保持一切完全相同），因为竞赛规则每周都在变化。但他们掌握的证据有力地表明，只要有正确的引导，较小的 AI 也可以发挥出远超其自身规模的实力。