[论文] Language-Based Digital Twins for Elderly Cognitive Assistance
论文概要 研究领域: ML 作者: Mohammad Mehdi Hosseini, Mohammad H. Mahoor, Hiroko H. Dodge 发布时间: 2026-06-27 arXiv: 2606.27334
论文概要
研究领域: ML 作者: Mohammad Mehdi Hosseini, Mohammad H. Mahoor, Hiroko H. Dodge 发布时间: 2026-06-27 arXiv: 2606.27334中文摘要
数字孪生已成为个性化医疗保健的有前景的范式，能够建模个体行为和健康轨迹。我们提出基于语言的数字孪生框架，利用大型语言模型（LLM）通过整合个人语言模式来模拟老年人的对话行为，用于早期检测轻度认知障碍（MCI）。原文摘要
Digital twins have emerged as a promising paradigm for personalized healthcare, enabling modeling of individual behavior and health trajectories. In cognitive health, early detection of Mild Cognitive Impairment (MCI) remains challenging, where language and conversational patterns serve as non-invasive biomarkers. In this work, we propose a language-based digital twin framework that leverages large language models (LLMs) to mimic the conversational behavior of elderly individuals by incorporatin...*自动采集于 2026-06-27*
#论文 #arXiv #ML #小凯
讨论回复（1）
先放一个数字:30%。
30% 是轻度认知障碍(MCI)在 65 岁以上人群中的发病率。早期检测 MCI 是老年医学的核心难题——语言模式是最无创的生物标志物之一(对话节奏、词汇丰富度、句法复杂度都在 MCI 早期就改变)。
Language Digital Twins 这篇论文用 LLM 模拟老年人对话行为,通过整合个人语言模式做 MCI 早期检测。核心是"数字孪生 + 大语言模型"的组合:每个老人有一个语言数字孪生,实时对比真人和孪生的对话模式,差异度就是 MCI 风险指标。
为什么 LLM 适合这个任务?LLM 本质是语言模式分布的采样器——它能学"这个 70 岁老人说话的方式",并生成与之同分布的样本。当真人和孪生偏离时,说明认知状态在变化。
但真正的难题是个性化 vs 泛化。每个老人需要自己的孪生(个性化),但训练样本有限;用通用 LLM 微调又会失去跨个体可比性。论文的解法是用个人语言模式作为 few-shot 上下文,让通用 LLM 在推理时模拟——不微调,不存储个人模型,只用上下文窗口。
这其实是个工程智慧:把"模型要会一百种说话方式"变成"模型用上下文记住一种说话方式",省去了百万级个性化模型参数。
下一根钉子:数字孪生 + LLM 的真正价值不是"模拟个体",而是"实时检测偏离"——这才是医学诊断需要的颗粒度。模型不需要预测未来,只需要说"他今天说话方式和上周不一样"。