加强面向抑郁症诊断的聊天交互,通过心理状态追踪
Chatbots can help diagnose depression by combining task-oriented conversations with empathy-related chit-chat, as demonstrated by an ontology-based framework applied to the D$^4$ dataset, resulting in improved task completion and emotional support generation.
Apr, 2024
该论文提出了一种基于临床标准的对话式抑郁症诊断方法,并构建了一个模拟医生与患者对话过程的中国对话数据集(D$^4$),通过该数据集进行多任务学习,设计出一个更具有同情心、诊断准确性更高、针对抑郁症的会话系统。
May, 2022
本文探讨了对话中抑郁情绪的特征以及用 Multi-Task Learning 方法来提高抑郁情绪检测的准确性,最终证明了抑郁和情绪、对话组织之间的相关性。
Jul, 2022
本文提出了一种新颖的方法,将大型语言模型(LLM)与可解释的人工智能(XAI)和类似 ChatGPT 的对话代理相结合,以解决对社交媒体上表达的抑郁症状进行及时检测的挑战。通过将 BERT 的 Twitter 特定变体 BERTweet 集成到 BERT-XDD 模型中,实现了解释能力,并通过掩码注意力提供分类和解释。利用 ChatGPT 将技术解释转化为可读性强的评论,进一步提高了可解释性。我们的方法为可解释性抑郁症检测提供了一种有效且模块化的方法,有助于发展具有社会责任感的数字平台,在合格的保健专业人员指导下促进对心理健康挑战的早期干预和支持。
Jan, 2024
该研究提出一种基于 LLMs 的新型抑郁症检测系统,不仅可以提供诊断,而且可以通过与用户的自然语言对话提供诊断证据和个性化建议。通过案例研究,该系统在各种情况下的表现优于传统方法。
May, 2023
通过分析社交媒体上用户的历史帖子,我们提出了一种名为 DORIS 的新型抑郁症检测系统,结合医学知识和大型语言模型的最新进展,在早期检测和干预上具有重要作用,并且该系统通过结合传统分类器和大型语言模型,融合医学知识引导的特征,实现了高准确性和可解释性的预测结果。
Mar, 2024
本研究使用 ChatGPT 生成合成数据,并使用语义搜索和余弦相似度来确定 Reddit 社交媒体句子对 BDI-II 症状的相关性,发现对于句子嵌入,使用专门用于语义搜索的模型胜过对精神健康数据进行预训练的模型。
Jul, 2023
研究表明,语言使用与抑郁症相关,但需要大规模验证。本研究使用 Whispter 工具和 BERTopic 模型从 265 名参与者的 3919 个智能手机采集的语音记录中鉴定出 29 个话题。其中六个话题中 PHQ-8 中值大于等于 10 被视为抑郁风险话题:无期望、睡眠、心理疗法、剪发、学习和课程作业。我们比较了识别到的话题之间的行为(通过可穿戴设备)和语言特征,揭示了话题的产生及其与抑郁症的关联。同时,通过调查话题转变与时间内抑郁症严重程度的变化之间的关系,证明了长期监测语言使用的重要性。此外,我们还在一个类似较小的数据集上测试了 BERTopic 模型(57 名参与者的 356 个语音记录),获得了一些一致的结果。总结起来,我们的发现表明特定的语音话题可能会指示抑郁症的严重程度。所呈现的数据驱动工作流提供了一种在真实环境中收集和分析大规模语音数据的实用方法,可用于数字健康研究。
Aug, 2023
该研究评估了基于大型语言模型 ChatGPT 在三种文本分类任务中的表现,并发现零 - shot 分类准确度表明语言模型对心理健康分类任务具有潜在的应用价值。
Mar, 2023