面向提取自杀相关健康社会决定因素的多阶段大语言模型框架
计算与语言
2025-08-08 v1 人工智能
摘要
背景: 理解贡献于自杀事件的社会健康决定因素 (SDoH) 对早期干预和预防至关重要。然而, 数据驱动的方法面临长尾因子分布、分析自杀事件前的关键压力因素以及模型解释性有限等挑战。方法: 我们提出一个多阶段大语言模型框架来增强从非结构化文本中提取 SDoH 因子的能力。我们将其与其他最新的语言模型 (即预训练 BioBERT 和 GPT-3.5-turbo) 以及推理模型 (即 DeepSeek-R1) 进行比较。我们还评估了模型的解释如何帮助人们更快更准确地标注 SDoH 因子。分析包括自动比较和一个小规模用户研究。结果: 我们表明, 我们提出的框架在提取总体 SDoH 因子任务以及检索相关上下文的更细粒度任务方面都实现了性能提升。此外, 我们表明, 对较小的面向特定任务的模型进行微调可实现相当或更好的性能, 同时降低了推理成本。多阶段设计不仅增强了提取效果, 还提供中间解释, 改善了模型的解释性。结论: 我们的方法提高了从非结构化文本中提取自杀相关 SDoH 的准确性和透明度。这些进展有望支持早期识别风险人群, 并为更有效的预防策略提供信息。
引用
@article{arxiv.2508.05003,
title = {A Multi-Stage Large Language Model Framework for Extracting Suicide-Related Social Determinants of Health},
author = {Song Wang and Yishu Wei and Haotian Ma and Max Lovitt and Kelly Deng and Yuan Meng and Zihan Xu and Jingze Zhang and Yunyu Xiao and Ying Ding and Xuhai Xu and Joydeep Ghosh and Yifan Peng},
journal= {arXiv preprint arXiv:2508.05003},
year = {2025}
}