From Evaluation to Enhancement: A Decision Support Framework for Quality Assurance in Therapeutic AI Systems (Preprint)
Notice bibliographique
Résumé
Abstract Background Therapeutic chatbots are increasingly deployed across digital mental health services, yet most evaluation efforts remain diagnostic rather than actionable. Organizations lack structured pathways to translate evaluation findings into validated quality improvements aligned with health care quality assurance requirements. Objective This study aims to introduce EvaluationPlus, a decision support framework that operationalizes a reproducible evaluation-to-enhancement loop for therapeutic artificial intelligence systems. We aimed to demonstrate its feasibility through expert-guided diagnosis, multi-large language model (LLM) enhancement mapping, and within-subject validation. Methods Using the bilingual mental health chatbot Dr. CareSam (GPT 4.0–based), we conducted 3 iterative enhancement cycles. Two licensed clinical psychologists performed structured diagnostic reviews using think-aloud protocols to identify competency-specific deficits across a 7-dimension therapeutic competency rubric. Three LLMs (GPT 4.0, Claude 4.0 Sonnet, Gemini 2.5 Flash) generated prescriptive enhancement strategies aligned with identified gaps. A participant-blinded, within-subject A/B validation study with Korean graduate students from the Department of Applied Artificial Intelligence, Sungkyunkwan University (N=15; 16 recruited, 1 excluded; IRB-approved) compared baseline and enhanced versions across standardized clinical scenarios spanning mild anxiety, to crisis-level presentations. Results The enhanced system demonstrated substantial improvement in overall therapeutic quality, with mean scores increasing from 5.40 to 7.63 (Δ =+2.23 points, 41%; dz=0.881; 95% bootstrap CI [0.32-2.20]). Prespecified target dimensions — active listening and appropriate questions, personalization, and complex thinking — showed large-effect improvements (mean gain +3.04; dz range 0.96‐1.08), significantly exceeding gains in nontargeted dimensions (+1.62; targeting differential +1.42 points). Directional improvement was observed in 13 of 15 participants (86.7%). User preference strongly favored the enhanced system (13/15, 86.7%), and expert clinical evaluation confirmed maintained safety and therapeutic appropriateness across four scenario severity levels (preference rate 75%; 3 of 4 scenarios). Cross-participant rating consistency improved substantially (coefficient of variation: 20% → 8.1%). Conclusions EvaluationPlus demonstrates feasibility as a structured framework for iterative quality assurance of therapeutic artificial intelligence systems. By linking expert diagnostic procedures with prescriptive multi-LLM enhancement mapping and multistakeholder validation, the framework supports reproducible improvement cycles relevant to organizational oversight of digital mental health tools. Limitations include a small pilot sample, single-culture focus, and simulated crisis scenarios; future work should extend validation to diverse clinical populations and longitudinal outcome assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,162 | 0,164 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,015 | 0,013 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».