शोधकर्ताओं ने यह जांच की कि बड़े भाषा मॉडल (LLMs) संज्ञानात्मक व्यवहारिक चिकित्सा (CBT) के साथ क्यों संघर्ष करते हैं, एक ज्ञान-मार्गदर्शित ढांचा पेश करके जो उपयोगकर्ता की कथाओं को बेक के संज्ञानात्मक अवधारणात्मक संरचना में विभाजित करता है और SNOMED CT अवधारणाओं के लिए प्राकृतिक भाषा अनुमान का उपयोग करता है। अध्ययन ने एक नए मेट्रिक प्रोटोकॉल लेवरेज फोर्स (F) का उपयोग करके इस दृष्टिकोण का मूल्यांकन तीन ओपन-वेट LLMs और 14 RealCBT-उत्पन्न केस स्टडीज़ पर किया, जो डिफ़ॉल्ट प्रतिक्रियाओं से व्यवहारिक बदलाव को मापने के लिए था।
- ढांचा वैलिडेशन & रिफ्लेक्शन, सोक्रैटिक प्रश्नोत्तर, या वैकल्पिक दृष्टिकोणों के बीच मल्टीपल चेन-ऑफ़-थॉट (MCoT) रणनीति चयन का उपयोग करता है।
- सिंगल चेन-ऑफ़-थॉट प्रॉम्प्टिंग ने LLM व्यवहार को बदलने में विफल रहा, जबकि MCoT ने रणनीति चयन को अधिक प्रभावी ढंग से मार्गदर्शन किया।
- सुधार के बावजूद, प्रभाव 1% (लगभग 1.2-1.3%) के भीतर ही रहा, सभी मॉडल वैलिडेशन & रिफ्लेक्शन की ओर पूर्वाग्रही बने रहे।
परिणाम दर्शाते हैं कि CBT ज्ञान अकेले प्रभावी अनुप्रयोग को सुनिश्चित नहीं करता है, भावनात्मक-कंप्यूटिंग समुदाय को उस स्थान को मापने के लिए उपकरण प्रदान करता है जहाँ LLM कम पड़ जाते हैं।