Naukowcy opracowali framework do automatyzacji Cognitive Stimulation Therapy - terapii poznawczej dla osób starszych z zaburzeniami pamięci. Obecnie terapia ta wymaga obecności przeszkolonych terapeutów, a её skalowanie napotyka przeszkody: brak danych treningowych i szczególnie mały dostęp do nich dla języków niskoobsługiwanych, takich jak kantorski czy inne języki mniejszościowe wrażliwe na prywatność.
Proponowana metoda działa na dwóch poziomach. Pierwszy to STaR-CS - system tworzący syntetyczne dialogi wielostronne poprzez modelowanie stylu facylitatora i ekstrakcję strukturalnych szkieletów rozmów. To rozwiązuje problem sceny treningowych. Na tej podstawie autorzy budują Reflective Cognitive Alignment - framework traktujący interakcje terapeutyczne jako sekwencyjny proces decyzyjny. Kluczowe innowacje to Protocol-Constrained Chain-of-Cognition dla ustrukturowanego rozumowania oraz Inference-Time Value Alignment do wyboru najlepszych odpowiedzi biorąc pod uwagę cele bezpieczeństwa i zaangażowania użytkownika.
Ewaluacja na sześciu różnych modelach LLM wykazała, że RCA konsekwentnie poprawia przestrzeganie protokołów terapeutycznych, bezpieczeństwo i jakość facylitacji grupy w porównaniu do standardowych promptów. To ważne dla skalowania wsparcia nefarmakologicznego dla starzejącego się społeczeństwa, szczególnie w kontekście braków kadrowych w opiece zdrowotnej.