BioLLMAgent: Hybrid vereint Interpretierbarkeit und realistische Entscheidungen

In der Computational Psychiatry besteht seit langem ein Spannungsfeld zwischen Modellen, die leicht zu verstehen sind, und solchen, die menschliches Verhalten authentisch nachbilden. Traditionelle Verstärkungslernmodelle liefern klare Interpretationen, aber oft fehlt ihnen die Verhaltensrealität. Umgekehrt erzeugen große Sprachmodelle (LLMs) überzeugende Handlungen, jedoch ohne nachvollziehbare Struktur.

BioLLMAgent löst dieses Dilemma, indem es bewährte kognitive Modelle mit der generativen Kraft von LLMs kombiniert. Das System besteht aus drei Kernkomponenten: einem internen Verstärkungslern-Engine, der aus Erfahrung Werte lernt; einer externen LLM‑Shell, die hochrangige Strategien und therapeutische Interventionen liefert; und einem Entscheidungs‑Fusion‑Mechanismus, der beide Teile über gewichtete Nutzenwerte integriert.

Durch umfangreiche Tests am Iowa Gambling Task, die sechs klinische und gesunde Datensätze umfassten, zeigte BioLLMAgent, dass es menschliche Entscheidungsprofile exakt reproduziert und gleichzeitig Parameter mit einer Korrelation von über 0,67 identifizierbar macht. Darüber hinaus simuliert das Modell Prinzipien der kognitiven Verhaltenstherapie und verdeutlicht, dass gemeinschaftsweite Bildungsmaßnahmen in manchen Fällen wirksamer sein können als individuelle Behandlungen.

Weitere Validierungen in Belohnungs‑ und Bestrafungslern- sowie Zeitdiskontierungsaufgaben bestätigen die strukturelle Interpretierbarkeit des Frameworks. BioLLMAgent bietet damit einen „computationalen Sandbox“, in dem mechanistische Hypothesen und Interventionen in der psychiatrischen Forschung systematisch getestet werden können.