Jun, 2024

利用 Whisper 和大型语言模型进行基于自发语音的自杀风险检测

PDF
TL;DR对于自杀风险的早期检测非常重要，本研究通过青少年自发言语对自杀风险进行自动检测，并收集了汉语数据集，包括来自千名年龄在十到十八岁之间的青少年 15 小时的自杀言语进行实验。通过使用 Whisper 语音模型和大型文本语言模型 (LLM) 来检测自杀风险，采用了全参数微调和参数效率微调方法来适应预训练模型，评估了多种音频文本融合方法来结合 Whisper 和 LLM 的表示，所提出的系统在包括 119 名受试者的测试集上达到了 0.807 的检测准确度和 0.846 的 F1 分数，表明具有潜在的真实自杀风险检测应用前景。
suicide riskadolescentsspeech detectionfinetuning approachesaudio-text fusion
发现论文，激发创造
  • 增强自杀风险评估：应用语音技术的自动化方法于急症医学

    为了解决在紧急医学中对存在自杀风险的患者延迟专科精神评估和护理的问题，我们提出了一种非侵入性的基于语音的自动自杀风险评估方法，结合录音数据和元数据集成，有效提高了自动自杀风险评估的准确性。

    Apr, 2024

  • 在线咨询服务中自杀风险检测：低资源语言中的研究

    通过结合预训练语言模型和手动构建的自杀线索集合，我们提出了一个模型来实现自杀风险的自动检测，从而在紧急支持在线服务中支持自杀预防。该模型在跨性别与不同年龄组等多个方面表现良好，并在会话早期就明显优于强基线模型。

    Sep, 2022

  • 使用语言学特征估算中国微博用户的自杀概率

    通过微博等社交媒体识别自杀高危人群，实现积极的干预系统，本研究针对新浪微博的 1041 个用户，采用中文版 Linguistic Inquiry and Word Count（LIWC）词库和 LDA 等 NLP 方法提取语言特征，基于这两种特征通过机器学习算法训练预测模型，以估算基于语言特征的自杀概率。实验结果表明，LDA 能够找到与自杀概率相关的主题并提高预测性能，此研究为预测社交网络用户自杀概率行为增加了价值。

    Nov, 2014

  • 评估监督学习与大型语言模型对识别中国社交媒体中的认知扭曲和自杀风险的功效

    本研究旨在在中国社交媒体平台上评估大型语言模型对自杀风险和认知失真的识别能力，发现大型语言模型相较传统的监督学习方法存在较大的性能差距，尤其在微小类别的理解上，GPT-4 在多种情况下表现优异，而 GPT-3.5 经过微调后在自杀风险分类中显示出显著提升，表明大型语言模型在心理学领域具有前瞻性和变革性的应用潜力。

    Sep, 2023

  • 基于大规模预训练模型的中国心理支持热线细粒度言论情感分析

    通过分析北京心理支持热线的语音数据，我们开发了负面情绪识别模型和细粒度多标签分类模型，并探讨了其临床应用可能性。

    May, 2024

  • 整合有监督的抽取式和生成式语言模型进行自杀风险证据摘要

    我们使用监督的抽取和生成式语言模型集成的方法来提供 2024 年 CLPsych 共享任务中对自杀风险的支持证据。我们的方法包括三个步骤：首先，构建一个基于 BERT 的模型来估计句子级的自杀风险和负面情绪；接下来，通过强调自杀风险和负面情绪的高概率，精确识别出高自杀风险的句子；最后，我们使用 MentaLLaMa 框架的生成式摘要和从高自杀风险句子和专门的自杀风险词典中的抽取式摘要进行集成。我们的团队 SophiaADS 在突出摘要方面获得第一名，并在摘要生成方面在基于回收率和一致性度量标准的排名中排名第 10。

    Mar, 2024

  • 利用大型语言模型进行自杀意念检测的社交感知合成数据生成

    使用生成式人工智能模型，如 ChatGPT、Flan-T5 和 Llama，通过利用社会因素从心理学文献中提取的数据，创造了可用于自杀倾向检测的合成数据，结果表明这种方法在克服数据匮乏和数据表征多样性等领域主要挑战方面具有潜力。

    Jan, 2024

  • SOS-1K: 用于中国社交媒体分析的细粒度自杀风险分类数据集

    通过开发深度学习模型以及使用中国社交媒体数据集，本研究提出了一种用于细粒度自杀风险分类的方法，为社交媒体平台上自动识别自杀倾向的个体并及时进行干预提供了有价值的见解。

    Apr, 2024

  • 大型语言模型的心理评估：注重隐私且具有成本效益的方法

    该研究探讨使用大型语言模型（LLMs）分析 Reddit 用户的文本评论，旨在实现两个主要目标：首先，找出支持预定义心理评估自杀风险的关键摘录；其次，总结材料以证实预先分配的自杀风险水平。该研究仅限于在本地运行的 “开源” LLMs 的使用，从而增强数据隐私。此外，该研究优先考虑计算要求低的模型，使其可供具有有限计算预算的个人和机构使用。该实施策略仅依靠精心设计的提示和语法来指导 LLM 的文本补全。尽管简单，评估指标显示出卓越结果，使其成为一种重要的关注隐私和成本效益的方法。这项工作是 2024 年计算语言学和临床心理学（CLPsych）共享任务的一部分。

    Feb, 2024

  • 从社交媒体帖子中预测自杀行为的学习模型

    提出深度学习架构并测试其他 3 种机器学习模型，使用 CLPsych 2021 共享任务中提供的社交媒体帖子数据自动检测将在 30 天和 6 个月内尝试自杀的个体；此外，基于自杀的三阶段理论和先前有关情绪和代词使用的工作，创建和提取三组手工制作的自杀风险检测特征，实验结果表明，一些传统的机器学习方法在子任务 1（预测自杀尝试 30 天前）上的 F1 得分为 0.741，F2 得分为 0.833，超过基线；然而，所提出的深度学习方法在子任务 2（预测 6 个月前的自杀）上的 F1 得分为 0.737，F2 得分为 0.843，超过基线。

    Apr, 2021