ADAPTS（Agentic Decomposition for Automated Protocol-agnostic Tracking of Symptoms，即面向自動化、協議無關的症狀跟蹤的代理分解框架）是一項由Alexandria K. Vail、Marcelo Cicconet、Katie Aafjes-van Doorn、Ryan Maroney和Marc Aafjes共同提出的創新性研究。該研究發表於arXiv預印本（arXiv:2605.03212），旨在利用混合智慧體大語言模型（mixture-of-agents LLM）架構，自動化評估憂鬱症和焦慮症的嚴重程度。在情感計算領域，從無約束的臨床互動中建模潛在的臨床構念一直是一個獨特的挑戰。ADAPTS透過將長篇臨床訪談分解為症狀特定的推理任務，同時保留時間順序和說話者對應關係，並生成可審計的推理依據，從而克服了這一挑戰。
研究團隊在兩個獨立的資料集上評估了ADAPTS的泛化能力，這兩個資料集共包含204名參與者，且採用不同的訪談結構。在評分差異較大的訪談中，ADAPTS的自動評分（絕對誤差為22）比原始人類評分（絕對誤差為26）更接近專家基準。透過引入一種“擴充套件”協議，該協議融入了定性臨床慣例，評分穩定性顯著提升，絕對一致性達到ICC(2,1)=0.877。這些發現表明，ADAPTS框架在精神病學嚴重程度評估方面具有良好前景。
儘管當前實現僅基於文本，但該框架的底層架構可輕鬆擴充套件至多模態輸入，包括聲學和視覺特徵。透過以協議無關的方式接近專家級精度，ADAPTS為客觀、可擴充套件的精神病學評估奠定了基礎，尤其是在資源有限的環境中。該研究於2026年5月4日首次提交，並於2026年5月6日修訂。論文的學科分類包括人工智慧（cs.AI）、計算與語言（cs.CL）、人機互動（cs.HC）以及統計學應用（stat.AP）和計算統計（stat.CO）。這一框架的成功開發有望推動精神病學評估的自動化和客觀化程序，為全球精神健康服務的普及提供技術支援。