Estudo descobre que MCoT melhora mas falha em superar o viés de LLMs no raciocínio afetivo guiado por CBT

Pesquisadores investigaram por que grandes modelos de linguagem (LLMs) têm dificuldades com a Terapia Cognitivo-Comportamental (CBT) ao introduzir um framework orientado por conhecimento que decompor narrativas do usuário na estrutura de Conceitualização Cognitiva de Beck e usa Inferência de Linguagem Natural para conceitos do SNOMED CT. O estudo avaliou essa abordagem em três LLMs de peso aberto e 14 estudos de caso derivados do RealCBT usando uma nova métrica chamada Protocol Leverage Force (F) para medir mudanças comportamentais afastadas das respostas padrão.

• O framework emprega uma seleção de estratégia de Multiple Chain-of-Thought (MCoT) entre Validação & Reflexão, Questionamento Socrático ou Perspectivas Alternativas.
• A instrução com cadeia de pensamento única falhou em alterar o comportamento do LLM, enquanto o MCoT guiou a seleção de estratégia de forma mais eficaz.
• Apesar da melhoria, o efeito permaneceu dentro de 1% (aprox. 1.2-1.3%), com todos os modelos permanecendo tendenciosos para Validação & Reflexão.

Os resultados demonstram que apenas o conhecimento de CBT não garante aplicação eficaz, fornecendo à comunidade de computação afetiva instrumentação para medir onde os LLMs falham.