[論文レビュー] Multi-Agent Causal Reasoning for Suicide Ideation Detection Through Online Conversations

Jun Li, Xiangmeng Wang+7 more|arXiv (Cornell University)|Feb 27, 2026

Mental Health via Writing被引用数 0

ひとこと要約

この論文は、 counterfactual 推論と前ドア因果調整を用いてオンライン会話ツリーから自殺リスクを予測する二エージェント枠組み MACR を紹介し、ベースラインを上回る。

ABSTRACT

Suicide remains a pressing global public health concern. While social media platforms offer opportunities for early risk detection through online conversation trees, existing approaches face two major limitations: (1) They rely on predefined rules (e.g., quotes or relies) to log conversations that capture only a narrow spectrum of user interactions, and (2) They overlook hidden influences such as user conformity and suicide copycat behavior, which can significantly affect suicidal expression and propagation in online communities. To address these limitations, we propose a Multi-Agent Causal Reasoning (MACR) framework that collaboratively employs a Reasoning Agent to scale user interactions and a Bias-aware Decision-Making Agent to mitigate harmful biases arising from hidden influences. The Reasoning Agent integrates cognitive appraisal theory to generate counterfactual user reactions to posts, thereby scaling user interactions. It analyses these reactions through structured dimensions, i.e., cognitive, emotional, and behavioral patterns, with a dedicated sub-agent responsible for each dimension. The Bias-aware Decision-Making Agent mitigates hidden biases through a front-door adjustment strategy, leveraging the counterfactual user reactions produced by the Reasoning Agent. Through the collaboration of reasoning and bias-aware decision making, the proposed MACR framework not only alleviates hidden biases, but also enriches contextual information of user interactions with counterfactual knowledge. Extensive experiments on real-world conversational datasets demonstrate the effectiveness and robustness of MACR in identifying suicide risk.

研究の動機と目的

• オンライン会話におけるログイン済み相互作用を超えた頑健な自殺リスク検出を動機付ける。
• ユーザー同調やコピーキャット行動などの観測されない交絡因子を緩和する。
• counterfactual 推論で文脈を豊かにするスケーラブルなフレームワークを開発する。
• unbiased な因果推定を提供するために前ドア調整を活用する。
• 実世界の対話データセットで有効性を示す。

提案手法

• 二エージェント MACR フレームワークを提案：Reasoning Agent は Paul-Elder 的批判的思考と認知評価理論に基づく四つのサブエージェントにより反事実的仲介変数 M を生成する。
• Bias-aware Decision-Making Agent は前ドア調整を実行し、P(Y|do(X)) を P(m|X) と P(Y|do(m)) により推定する。
• 前ドア調整を二つの計算部分に分解し、専門エージェントで実現する。
• クラスタリング（E5-large-v2 エンコーダ＋K-means）を用いて反事実推論を代表的な仲介ノードに統合する。
• 分布バイアスを緩和するため、サンプリングベースの層別化インコンテキスト prompting により P(Y|do(m)) を近似する。
• 伝統的なリスクモデル、デバイス化された LMs、LLMs、GNN など多様なベースラインと実世界データセットの比較を行う。

実験結果

リサーチクエスチョン

• RQ1 オンラインの自殺的談話における観測されない交絡因子は、 mediating 変数を介した前ドア調整で対処可能か。
• RQ2 反事実的心理仲介変数で文脈を豊かにすることは、ログ済み相互作用のみより自殺リスク予測を改善するか。
• RQ3 マルチエージェント協調（推論とバイアス認識意思決定）は予測性能と頑健性にどのように影響するか。
• RQ4 この領域において前ドアアプローチは標準的なバックドアデバias戦略より優れているか。

主な発見

• MACR は両データセットで最先端の Weighted-F1 を達成（PFA: 0.3768; SCT: 0.5108）。
• SCT データセットで、MACR は二番手モデルを Weighted-F1 で 12.3% 上回る。
• デバイアス化された言語モデルは改善するが MACR の性能には及ばず、バックドアデバイアスのみの限界を示す。
• アブレーションにより Reasoning Agent が最も寄与し、マルチエージェント協力と前ドア調整の両方が重要であることが示された。
• 前ドアベースの prompting はこのタスクで In-Context Learning および Chain-of-Thought prompting より優れている。