ADAPTS（Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms，即面向自动化、协议无关的症状跟踪的代理分解框架）是一项由Alexandria K. Vail、Marcelo Cicconet、Katie Aafjes-van Doorn、Ryan Maroney和Marc Aafjes共同提出的创新性研究。该研究发表于arXiv预印本（arXiv:2605.03212），旨在利用混合智能体大语言模型（mixture-of-agents LLM）架构，自动化评估抑郁症和焦虑症的严重程度。在情感计算领域，从无约束的临床互动中建模潜在的临床构念一直是一个独特的挑战。ADAPTS通过将长篇临床访谈分解为症状特定的推理任务，同时保留时间顺序和说话者对应关系，并生成可审计的推理依据，从而克服了这一挑战。
研究团队在两个独立的数据集上评估了ADAPTS的泛化能力，这两个数据集共包含204名参与者，且采用不同的访谈结构。在评分差异较大的访谈中，ADAPTS的自动评分（绝对误差为22）比原始人类评分（绝对误差为26）更接近专家基准。通过引入一种“扩展”协议，该协议融入了定性临床惯例，评分稳定性显著提升，绝对一致性达到ICC(2,1)=0.877。这些发现表明，ADAPTS框架在精神病学严重程度评估方面具有良好前景。
尽管当前实现仅基于文本，但该框架的底层架构可轻松扩展至多模态输入，包括声学和视觉特征。通过以协议无关的方式接近专家级精度，ADAPTS为客观、可扩展的精神病学评估奠定了基础，尤其是在资源有限的环境中。该研究于2026年5月4日首次提交，并于2026年5月6日修订。论文的学科分类包括人工智能（cs.AI）、计算与语言（cs.CL）、人机交互（cs.HC）以及统计学应用（stat.AP）和计算统计（stat.CO）。这一框架的成功开发有望推动精神病学评估的自动化和客观化进程，为全球精神健康服务的普及提供技术支持。