合成から臨床支援へ：実臨床データに基づく自閉症介入のための戦略対応型エージェント・フレームワーク

要旨: 自閉スペクトラム症（ASD）に対するAI支援の早期集中的行動介入（EIBI）の開発は、データ不足によって厳しく制約されています。さらに、応用行動分析（ABA）は臨床介入のゴールドスタンダードとして機能している一方で、汎用の大規模言語モデル（LLM）は、その標準化された手順を厳密に遵守することが難しく、結果として、言語的には流暢であるものの戦略的には一貫しない相互作用が生じがちです。これらの課題に対処するために、介入対話の高忠実度な合成と臨床的意思決定支援を統一する、戦略に配慮した枠組みである\textsc{ASDAgent}を提案します。\textsc{ASDAgent}は、それぞれ異なる問題を解くための2つの専門コンポーネントを組み込みます：(i) Observe-Think-Act-Correct（O-T-A-C）推論ループを備えた\textsc{DoctorAgent}で、ABAの実行を明示し制御可能にすることで、LLMにおける戦略崩壊の問題を解決します；そして(ii) 確率的な行動モデリングを用いる\textsc{ChildAgent}により、データの均質性の問題を緩和し、多様で非決定論的なASDの応答パターンをシミュレートします。実験の結果、\textsc{ASDAgent}によって生成される対話は、人間のセラピストの戦略分布に非常に近いことが示されました（KLダイバージェンス: 0.083）。実際の自閉症介入では、\textsc{ASDAgent}は人間の専門家とほぼ80%の戦略的一貫性を達成します。さらに、\textsc{ASDAgent}が生成する合成データが、専門的な臨床知識を小規模言語モデル（SLM）へ効果的に蒸留し、それらの治療能力を大幅に向上させることを示します。