用于物质使用障碍（SUD）患者对话生成的多目标对齐小语言模型框架

基于摘要分析。该研究针对物质使用障碍（SUD）咨询中的患者对话模拟，旨在使小语言模型（SLMs）生成的回应不仅流畅，还能与患者历史、咨询师问题及潜在认知状态一致。核心贡献是将认知成分检测与认知成分对齐的对话生成串联，并结合知识蒸馏、人类标注驱动的偏好优化和注意力引导的奖励塑形。 研究所建模的认知内容包括信念、应对策略和改变准备度。作者以大型语言模型生成行为的认知连贯性与临床真实性不足为出发点，同时将计算成本、延迟、隐私和资源受限部署作为采用小模型的动机。摘要未说明认知成分的具体表示、检测监督方式、两阶段接口、教师与学生模型配置，以及偏好优化和奖励塑形的具体目标；上述技术细节尚未验证，也不能由使用小模型推断隐私保障已得到验证。 作者报告，在 BERTScore、ROUGE、METEOR、BLEU 等自动指标，以及分别以人类和教师模型输出为参考的 LLM-as-judge 命中指标评估中，认知信息驱动的微调相较通用指令微调基线和心理健康领域专用 SLMs，改善了认知成分的实现与对齐，其中开放式认知成分的提升尤为明显。摘要未给出具体分数、数据集规模、训练与测试划分或评判器设置，实验协议、消融及统计信息尚未验证。 复现时需核对患者历史与认知标签的构建、人工偏好的标注标准、参考答案与评判器的关系，以及各训练组件的独立贡献。文本相似度和模型评判结果不能直接等同于临床真实性或咨询效果；摘要未提供真实患者临床验证证据。本研究直接面向对话生成，而非 EEG/BCI 解码，现有材料不足以建立具体的 BCI 迁移机制，不宜将其结果扩展为已验证的 BCI 收益。