一种用于可解释心理健康语言模型的双提示方法
计算与语言
2024-02-26 v1 人工智能
摘要
尽管基于人工智能的心理健康监测工具需求日益增长，但由于缺乏可解释性，它们对临床医生的实际效用有限。CLPsych 2024共享任务（Chim等人，2024）旨在通过语言内容提供自杀倾向证据，增强大语言模型（LLM）的可解释性，特别是在心理健康分析中。我们提出了一种双提示方法：（i）利用专家身份和自杀词典以及心理健康特定LLM的知识感知证据提取；（ii）通过基于LLM的一致性评估器进行证据总结。全面的实验证明了结合领域特定信息的有效性，揭示了性能提升以及该方法在帮助临床医生评估心理状态进展方面的潜力。
引用
@article{arxiv.2402.14854,
title = {A Dual-Prompting for Interpretable Mental Health Language Models},
author = {Hyolim Jeon and Dongje Yoo and Daeun Lee and Sejung Son and Seungbae Kim and Jinyoung Han},
journal= {arXiv preprint arXiv:2402.14854},
year = {2024}
}