BioLLMAgent: 강화된 구조적 해석력을 갖춘 하이브리드 프레임워크를 활용한 계산 정신의학에서의 인간 의사결정 시뮬레이션

BioLLMAgent: A Hybrid Framework with Enhanced Structural Interpretability for Simulating Human Decision-Making in Computational Psychiatry

계산 정신의학은 근본적인 딜레마에 직면합니다. 전통적인 강화 학습(RL) 모델은 해석 가능성을 제공하지만 행동적 현실성이 부족하며, 대규모 언어 모델(LLM) 에이전트는 현실적인 행동을 생성하지만 구조적 해석 가능성이 부족합니다. 본 연구에서는 검증된 인지 모델과 LLM의 생성 능력을 결합한 새로운 하이브리드 프레임워크인 BioLLMAgent를 소개합니다. 이 프레임워크는 세 가지 핵심 구성 요소로 구성됩니다. (i) 경험 기반 가치 학습을 위한 내부 RL 엔진, (ii) 고수준 인지 전략 및 치료적 개입을 위한 외부 LLM 셸, (iii) 가중 유틸리티를 통해 구성 요소를 통합하는 의사 결정 융합 메커니즘입니다. 아이오와 도박 과제(IGT)에 대한 광범위한 실험을 통해 6개의 임상 및 건강 데이터 세트를 사용하여 BioLLMAgent가 인간의 행동 패턴을 정확하게 재현하면서도 뛰어난 매개변수 식별력(상관관계 > 0.67)을 유지함을 보여줍니다. 또한, 이 프레임워크는 인지 행동 치료(CBT) 원리를 성공적으로 시뮬레이션하며, 다중 에이전트 동역학을 통해 지역 사회 전체의 교육적 개입이 개인 치료보다 더 효과적일 수 있음을 밝힙니다. 보상-처벌 학습 및 시간 할인 과제에서 검증된 BioLLMAgent는 정신의학 연구에서 메커니즘적 가설 및 개입 전략을 테스트하기 위한 구조적으로 해석 가능한 "계산 실험 환경"을 제공합니다.

Computational psychiatry faces a fundamental trade-off: traditional reinforcement learning (RL) models offer interpretability but lack behavioral realism, while large language model (LLM) agents generate realistic behaviors but lack structural interpretability. We introduce BioLLMAgent, a novel hybrid framework that combines validated cognitive models with the generative capabilities of LLMs. The framework comprises three core components: (i) an Internal RL Engine for experience-driven value learning; (ii) an External LLM Shell for high-level cognitive strategies and therapeutic interventions; and (iii) a Decision Fusion Mechanism for integrating components via weighted utility. Comprehensive experiments on the Iowa Gambling Task (IGT) across six clinical and healthy datasets demonstrate that BioLLMAgent accurately reproduces human behavioral patterns while maintaining excellent parameter identifiability (correlations $>0.67$). Furthermore, the framework successfully simulates cognitive behavioral therapy (CBT) principles and reveals, through multi-agent dynamics, that community-wide educational interventions may outperform individual treatments. Validated across reward-punishment learning and temporal discounting tasks, BioLLMAgent provides a structurally interpretable "computational sandbox" for testing mechanistic hypotheses and intervention strategies in psychiatric research.