تصور کنید یک مدل زبانی در میانه یک جلسه درمان هنر، مسیر احساسی بیمار را به کلی تغییر دهد و اثر درمانی را خنثی کند. این همان «سرگردانی احساسی» است که چارچوب EC-Script برای حل آن طراحی شده است تا روایت‌های تولید شده توسط هوش مصنوعی را به ابزارهای دقیق بالینی تبدیل کند.
مدل‌های زبانی بزرگ (LLM) معمولاً متنی روان تولید می‌کنند، اما در حفظ یک قوس احساسی مشخص ناکام‌اند و اغلب از مسیر روان‌شناختی تعیین‌شده منحرف می‌شوند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مکانیسم‌های بازخوانی (readout mechanisms) و شکست‌های مدل‌های زبانی اشاره کردیم، مشکل اصلی در اینجا نبودِ کنترل ساختاری است، نه صرفاً ضعف در مهندسی پرامپت (Prompt Engineering).
به نقل از گزارشی که در ۱۵ ژوئن ۲۰۲۶ در arxiv.org منتشر شد، این سیستم با تبدیل تولید روایت به یک مسئله‌ی کنترل سلسله‌مراتبی، نوسانات عاطفی را با اهداف درمانی هم‌راستا می‌کند. این معماری از سه لایه‌ی عامل (Agent) تشکیل شده است:
- برنامه‌ریزی مسیر احساسی: تعیین جهت کلی روایت و قوس عاطفی.
- تولید صحنه محور-شخصیت: مدیریت پیش‌روی پیرنگ در سطح هر صحنه.
- نویسندگی فیلمنامه با کنترل احساس: تنظیم تغییرات عاطفی لحظه‌ای شخصیت‌ها.
این رویکرد عامل‌محور (Agentic)، پارادایم تولید متن را از یک فرآیند احتمالی (Stochastic) به یک خط لوله (Pipeline) تحت نظارت تغییر می‌دهد. نویسندگان مقاله ثابت کردند که با تفکیک «برنامه‌ریزی» از «نویسندگی»، هوش مصنوعی می‌تواند الگوهای عاطفی پیچیده‌ای را که پیش‌تر در متون طولانی غیرممکن بود، به‌دقت حفظ کند.
گام بعدی شما
- بررسی قابلیت‌های کاربردی این مدل در تشخیص‌های سلامت روان و خودکارسازی مسیرهای درمانی شخصی‌سازی‌شده.
- رصد نتایج کارآزمایی‌های بالینی واقعی روی بیماران انسانی برای تأیید اثربخشی روایت‌های تولید شده.
- تحلیل امکان ادغام این ساختار سلسله‌مراتبی در سایر کاربردهای حساس مدل‌های زبانی که نیاز به دقت ساختاری دارند.
اما اثر این تغییر رویکرد بر هزینه‌های استنتاج در مقیاس کلینیکی، ابعادی پیچیده‌تر دارد — به بررسی ما درباره‌ی بهینه‌سازی هزینه‌های استنتاج (Inference) در مدل‌های تخصصی مراجعه کنید.
گفتگو