Feb, 2024

零封闭自解释社交媒体上的心理健康分析并结合心理评估

PDF
TL;DR传统的心理健康分析方法在能力上较强，但缺乏解释性和大量的标注数据。相比之下，基于大型语言模型的生成方法具有消除繁重注释和提供解释的潜力。然而，它们的能力仍然不及判别方法，并且由于解释的生成是黑盒过程，可能不可靠。受到使用量表评估精神状态的心理评估实践的启发，我们的方法通过大型语言模型融入两个过程。首先，患者完成心理健康问卷，然后心理学家解释心理问卷中收集到的信息并作出知情决策。实验结果表明，我们的方法胜过其他零样本方法。我们的方法可以基于心理问卷的输出生成更严谨的解释。
mental health analysisinterpretable discriminative approachesgenerative approacheslarge language modelszero-shot methods
发现论文，激发创造
  • MentalLLaMA: 基于大型语言模型的社交媒体可解释性心理健康分析

    开发了第一个用于社交媒体上的可解释性心理健康分析的开源语言模型系列 MentalLLaMA，并通过 IMHI 数据集在正确性和解释质量方面接近最先进的判别方法。

    Sep, 2023

  • 可解释性与可解释性在社交媒体抑郁检测中的应用

    使用基于 Transformer 的架构来检测和解释用户写作中抑郁症状标记的出现，并生成可解释的基于症状的解释。

    Oct, 2023

  • 关于在心理健康应用中重新思考大型语言模型

    大型语言模型在心理健康方面表现出很大的潜力，但使用它们时需要保持谨慎和考虑，把它们视为辅助人类专业技术而非替代品，因为它们可能产生幻觉般的输出，并且在心理健康咨询中，人类辅导员的情感理解、细致解读和背景意识仍然不可替代。

    Nov, 2023

  • 通过临床问卷学习实现简单灵活的精神障碍检测模型

    研究了使用社交媒体的语言特征来检测心理健康问题，并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。

    Jun, 2023

  • 从分类到临床洞见：用大型语言模型分析和推理移动和行为健康数据

    使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

    Nov, 2023

  • WellDunn：关于语言模型和大型语言模型在识别健康维度中的稳健性和可解释性

    语言模型在精神健康应用中的可信度、解释性和一致性的研究表明，现有研究中这些模型的注意力质量及其对真实解释的影响尚未被探究，而本研究提出了一个评估设计，聚焦于在鉴别健康维度方面的 LMs 和 LLMs 在多标签分类和解释性方面的鲁棒性和可解释性，并发现了一些令人惊讶的结果，强调进一步研究这些模型在精神健康领域的一致性和解释性的必要性。

    Jun, 2024

  • 社交媒体数据中心理健康的可解释因果分析

    本研究通过对社交媒体上精神疾病分类进行多类因果关系分析，发现因果关系解释的重叠问题是导致错误预测的主要挑战之一，并通过采用一些解决方法验证了该假设的有效性。实验结果表明，使用 LIME 和 Integrated Gradient（IG）方法，该方法的类别平均分数为 $81.29％$ 和 $0.906$。

    Oct, 2022

  • 利用 LLMs 协助在双相障碍和精神分裂症中进行临床丰富数据的标注和收集

    利用当代语言模型在序列到序列任务中的应用来增强心理健康研究，通过小型模型，可以准确高效地进行领域特定临床变量的数据标注和心理健康仪器的数据收集，并表现出比商业大型模型更好的性能。

    Jun, 2024

  • 在线心理健康风险评估隐私感知问答系统

    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

  • 高效、可解释、可重用系统的微型模型：精神健康案例研究

    介绍了一种微模型架构，解决了在精神卫生等难以注释数据集和模型输出具有重大影响的场景下，统计模型准确性高但难以解释、低资源场景下性能下降、不可重复使用、难以集成领域专业知识等问题，该方法具有可解释性，能够嵌入领域知识，并在模型决策过程中提供解释，在多个精神卫生任务中表现出强大的性能。

    Sep, 2021