SeSaMe: 一个模拟自声明地面真实度量心理健康感知研究的框架
通过一项与双相情感障碍的移动电话使用可能存在的关联探究,提出了 DeepMood 这一基于后期融合的端到端深度架构,可以通过对手机键入动态的会话级分析,来预测情绪分数,精度可达 90.31%,这表明使用移动电话元数据来推断情绪扰乱和严重程度的可行性。
Mar, 2018
本文详细评估了ChatGPT在11个数据集上的心理健康分析和情感推理能力,分析了不同提示策略对其分析能力和可解释性的影响,并发现情感提示可以有效提高其性能,但需要正确的情感注入方式。
Apr, 2023
本文探讨了现代技术如何改进行为特征化,并详述了使用数字医学研究数据的不同方法,重点在于音频日记的科学论证和多区域递归神经网络架构的实验成功。
May, 2023
我们在这项工作中,首次对多种大语言模型(LLMs)进行了全面评估,包括Alpaca、Alpaca-LoRA和GPT-3.5,针对在线文本数据中的各种心理健康预测任务。我们进行了广泛的实验,涵盖了零样本提示、少样本提示和指令微调。研究结果表明,对于心理健康任务,LLMs在零样本和少样本提示设计上具有有限但有希望的性能。更重要的是,我们的实验表明,指令微调可以显著提升LLMs在所有任务上的表现。我们最佳微调模型Mental-Alpaca在平衡精度上比GPT-3.5(规模大25倍)高出16.7%,并与最先进的任务特定模型相媲美。我们总结了一系列行动指南,供未来的研究人员、工程师和实践者参考,介绍如何赋予LLMs更好的心理健康领域知识,并成为心理健康预测任务的专家。
Jul, 2023
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
通过分析大规模的面部表情数据集,本研究揭示了情绪障碍与面部表情之间的关系,发现了面部表情中微小的瞳孔动态和视线方向变化可能是情绪障碍的潜在标记,为基于数据的精神健康研究奠定了基础。
May, 2024
大型语言模型的进展展示了在各个应用领域的强大能力,包括心理健康分析。然而,现有的研究着重于预测性能,对公平性这一关键问题的探讨不足,给弱势人群带来了重大风险。我们通过针对八个不同的心理健康数据集,使用十种不同的提示方法,系统地评估了七个社会因素的偏见。结果表明,GPT-4在性能和公平性方面实现了最佳的平衡,尽管在某些情况下仍落后于领域特定模型如MentalRoBERTa。此外,我们针对公平性进行调整的提示方法可以有效减轻在心理健康预测中的偏见,凸显了在该领域进行公平分析的巨大潜力。
Jun, 2024
该研究利用大型语言模型通过手机感应数据预测情绪结果,显示出大型语言模型在推断普遍幸福感方面的有效性,揭示了智能手机行为模式与情绪状态之间的复杂联系,是首个将大型语言模型应用于情绪状态预测和数字表型任务的研究。
Jul, 2024
本研究针对大学生普遍存在的心理健康问题,提出了一种基于大型语言模型(LLM)和行为模式集成的个性化AI日记的新方法。研究表明,MindScape应用在增强积极情感、减少负面情绪和孤独感方面显著有效,为校园心理健康干预提供了新的思路和工具。
Sep, 2024
本研究针对数字表型方法在抑郁和焦虑管理中的有效性,填补了以往研究的样本局限性。通过分析来自10,129名参与者的数据,研究创新性地应用无监督聚类和机器学习模型,识别与抑郁和焦虑相关的行为模式和潜在指标,结果显示数字表型和机器学习技术在公共卫生中的快速筛查潜力。
Sep, 2024