arXiv:2511.15994v1 Announce Type: cross 
Abstract: Access to the right evidence does not guarantee that large language models (LLMs) will reason with it correctly. This gap between retrieval and reasoning is especially concerning in clinical settings, where outputs must align with structured protocols. We study this gap using Written Exposure Therapy (WET) guidelines as a testbed. In evaluating model responses to curated clinician-vetted questions, we find that errors persist even when authoritative passages are provided. To address this, we propose an evaluation framework that measures accuracy, consistency, and fidelity of reasoning. Our results highlight both the potential and the risks: retrieval-augmented generation (RAG) can constrain outputs, but safe deployment requires assessing reasoning as rigorously as retrieval.

تدرس الدراسة الفجوة بين استرجاع الأدلة والتفكير في نماذج اللغة الكبيرة (LLMs) في السياقات السريرية، باستخدام إرشادات العلاج بالتعرض الكتابي (WET) كحقل اختبار. على الرغم من توفير معلومات موثوقة، تستمر الأخطاء في استجابات النماذج. يتم اقتراح إطار تقييم يقيس الدقة والاتساق والأمانة في التفكير، مما يبرز الحاجة إلى تقييم صارم جنبًا إلى جنب مع عمليات الاسترجاع.

El estudio examina la brecha entre la recuperación de evidencia y el razonamiento en modelos de lenguaje grandes (LLMs) en entornos clínicos, utilizando específicamente las directrices de la Terapia de Exposición Escrita (WET). A pesar de proporcionar información autorizada, persisten errores en las respuestas de los modelos. Se propone un marco de evaluación para medir la precisión, consistencia y fidelidad del razonamiento, enfatizando la necesidad de una evaluación rigurosa junto con los procesos de recuperación.

L'étude examine l'écart entre la récupération d'informations et le raisonnement dans les grands modèles de langage (LLMs) dans des contextes cliniques, en utilisant spécifiquement les directives de la thérapie d'exposition écrite (WET). Malgré la fourniture d'informations autorisées, des erreurs dans les réponses des modèles persistent. Un cadre d'évaluation est proposé pour mesurer l'exactitude, la cohérence et la fidélité du raisonnement, soulignant la nécessité d'une évaluation rigoureuse en parallèle des processus de récupération.

The study examines the gap between evidence retrieval and reasoning in large language models (LLMs) within clinical settings, specifically using Written Exposure Therapy (WET) guidelines. Despite providing authoritative information, errors in model responses persist. An evaluation framework is proposed to measure reasoning accuracy, consistency, and fidelity, emphasizing the need for rigorous assessment alongside retrieval processes.

CARE-RAG - Clinical Assessment and Reasoning in RAG

Was this article worth reading? Share it

LucidQuery AI

Supametas.AI

Grubby.AI

Resub

LangWatch

GWCG

Ready to build your own newsroom?