本研究提出通过将模型约束在医生在抑郁筛选过程中使用的 PHQ9 表中描述的症状中以不同程度地控制抑郁症检测的方法。在三个社交媒体数据集的数据集转移实验中，我们发现将模型限定于 PHQ9 的症状可以显著提高模型对于分布外数据的泛化能力，而在本领域数据上也可以具有竞争力。此外，这种方法还可以产生更易于检查的模型，从而提高了模型的泛化能力。

Apr, 2022

使用 QA 方法和统一 QA 模型在两个大型的精神健康数据集上评估心理健康风险，并通过差分隐私来保护用户数据，结果表明在精神健康用例中将风险评估建模为 QA 任务具有良好的性能，为隐私保护诊断系统的发展提供了一个有前途的研究方向。

Jun, 2023

通过使用 Proknow 和具有引导作用的自然语言问答生成方法，我们基于 449 个抑郁症和焦虑症患者的诊断谈话开发出一种具有安全约束和专业知识的诊断对话数据集。我们证明了在这个数据集上使用最先进的大规模语言模型的局限性，通过明确建模安全、知识捕获和可解释性，我们的算法提高了 82％以上的生成问题的安全性、解释性和过程指导。

May, 2023

本文提出了一种新的方法，通过对关注精神分裂症和不同心理障碍的人群在 “心理健康” 论坛上发表的帖子进行概括，获得了一个低偏差、无隐私问题的用于问答模型实施的精确数据集，并利用各种模型的细调评估，展示了该方法获取准确数据集的有效性，BioBERT 模型的细调获得了 0.885 的 F1 得分，在心理障碍领域表现优于现有模型。

Sep, 2023

通过对社交媒体数据进行分析，研究人员转向使用语言模型来评估精神健康，并引入了一种新的学习范式（PK-iL）来提供临床友好的解释，从而提高精神健康护理和预防策略的效果。

Jun, 2023

这项研究评估了基础模型在心理健康护理问题和回答分类中的效果，并发现预训练语言模型（PLMs）在捕捉语义意义方面具有非常好的结果，对于阿拉伯语的心理健康支持具有很大的潜力。

Jun, 2024

通过加入临床知识，PSAT 模型提出了一种解释性的人工智能方法来分析和分类临床对话，为诊断抑郁症等心理健康问题提供了应用相关的解释。

Nov, 2023

本研究关注于精神健康数据集中的注释质量，特别是使用社交媒体文本进行基于自然语言处理的抑郁水平估计。通过重新注释和引入更精细的标签和文本范围，我们发现针对 PRIMATE 数据集的注释有效性存在关注点，特别是缺乏兴趣或愉悦症状，并识别出了相当数量的假阳性。我们通过发布经过精细标注的数据集，在应用数据使用协议的前提下，为无情感体验检测提供了更高质量的测试集。本研究强调了在精神健康数据集中解决注释质量问题的必要性，并倡导改进方法论以提高自然语言处理模型在精神健康评估中的可靠性。

Mar, 2024

通过引入 “分解和查询”(D&Q) 框架，使得大规模语言模型在回答问题时能够避免幻觉，通过引导模型思考并利用外部知识，同时限制其思考范围在可靠信息内，从而有效减轻了幻觉的风险。实验证实了 D&Q 的有效性：在我们的 ChitChatQA 数据集上，D&Q 在 67％的情况下不输给 ChatGPT；在 HotPotQA 的仅问题设置下，D&Q 获得了 59.6％的 F1 得分。我们的代码可在此 https URL 找到。

Nov, 2023

我们利用大型语言模型将非结构化的心理访谈转化为涵盖各种精神疾病和人格领域的结构化问卷，通过模拟被访者的方式让语言模型回答这些问卷。得到的答案被编码为特征，并使用随机森林回归器预测抑郁症（PHQ-8）和创伤后应激障碍（PCL-C）的标准化精神健康测量值，比多个基准模型表现出更高的诊断准确性。因此，我们的研究提出了一种新的框架来解释非结构化的心理访谈，缩小叙事驱动和数据驱动方法在心理健康评估中的差距。

Jun, 2024