在人工智慧輔助的自閉症譜系障礙早期密集行為干預（EIBI）領域，資料稀缺和策略一致性是兩大核心挑戰。儘管應用行為分析（ABA）是臨床干預的金標準，但通用大語言模型（LLM）難以嚴格遵循其標準化流程，常常產生語言流暢但策略不一致的互動。為了應對這些問題，研究人員提出了ASDAgent——一個策略感知的智慧體框架，旨在統一高保真干預對話合成與臨床決策支援。
ASDAgent包含兩個專門元件：醫生智慧體（DoctorAgent）和兒童智慧體（ChildAgent）。醫生智慧體配備了觀察-思考-行動-修正（O-T-A-C）推理迴圈，透過將ABA執行過程顯式化和可控化，解決了LLM中的策略崩潰問題。兒童智慧體則利用機率行為建模來緩解資料同質性，模擬多樣化且非確定性的自閉症譜系障礙反應模式。這兩個元件協同工作，使得ASDAgent能夠生成既符合ABA標準又具有多樣性的干預對話。
實驗結果顯示，ASDAgent生成的對話與人類治療師的策略分佈非常接近，KL散度僅為0.083，表明其策略分佈高度相似。在實際自閉症干預場景中，ASDAgent與人類專家的策略一致性接近80%，顯示了其強大的臨床輔助潛力。此外，研究還表明，ASDAgent產生的合成資料能夠有效地將專業臨床知識蒸餾到小型語言模型（SLM）中，顯著增強它們的治療能力，這為資源受限環境下的AI輔助干預提供了新途徑。
這項研究由Junhong Lai、Shuzhong Lai等多位作者共同完成，已被2026年ACL主會議接收。ASDAgent框架不僅為AI輔助自閉症干預提供了新的解決方案，也為其他需要嚴格遵循臨床規程的應用場景（如心理治療、康復訓練等）提供了可借鑑的思路。未來，該框架有望在更多臨床領域發揮作用，推動AI從純粹的對話生成走向真正的臨床決策支援。