要旨: AI心理カウンセラーの既存手法は主として、静的な対話データセットを用いた教師あり微調整に依存している。だがこれは、臨床実践や蓄積された経験を通じて継続的に力量を洗練させる人間の専門家とは対照的である。このギャップを埋めるために、心理カウンセリングのための経験駆動型の生涯学習エージェント（\texttt{PsychAgent}）を提案する。まず、長期にわたる複数セッションの対話に合わせて調整されたメモリ増強型計画エンジンを構築し、持続的なメモリと戦略的な計画によって治療の継続性を保証する。次に、自身の進化を支えるために、技能進化エンジンを設計し、過去のカウンセリング軌跡から新たな実践に根ざした技能を抽出する。最後に、進化した技能を棄却微調整（rejection fine-tuning）によってモデルへ統合し、さまざまな状況における性能の向上を目指す、強化された内面化エンジンを導入する。比較分析の結果、提案手法は報告されたいずれの評価次元においても、強力な汎用LLM（例: GPT-5.4、Gemini-3）およびドメイン特化のベースラインより高いスコアを達成することが示される。これらの結果は、生涯学習が複数セッションにわたるカウンセリング応答の一貫性と全体的な品質を高め得ることを示唆している。
PsychAgent：自己進化する心理カウンセラーのための、経験駆動型の生涯学習エージェント
arXiv cs.AI / 2026/4/2
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文では、対話データセットに対する静的な教師あり微調整だけでは改善できない、AIによる心理カウンセリングを向上させるための、経験駆動型の生涯学習エージェント「PsychAgent」を提案する。
- 時系列の複数セッションにわたる相互作用で、永続的なメモリと計画を用いて治療的な連続性を維持するための、メモリ拡張プランニング・エンジンを提案する。
- スキル進化エンジンでは、過去のカウンセリング軌跡から新たな実践に根ざしたスキルを抽出し、時間の経過とともに自己進化できるようにする。
- 強化された内部化エンジンは、拒否（リジェクション）によるファインチューニングを通じて進化したスキルを基盤モデルに統合し、さまざまな状況における性能の向上を狙ってモデルを更新する。
- 報告された評価観点に関する実験では、PsychAgentが強力な汎用LLM（例：GPT-5.4、Gemini-3）およびドメイン特化のベースラインを上回り、生涯学習によってマルチセッションのカウンセリングにおける一貫性と応答品質が改善し得ることが示唆される。
