LLM 是有效的心理评估者吗？利用自适应 RAG 通过心理测量实践实现可解释的心理健康筛查
计算与语言
2025-06-03 v2 人工智能
摘要
在心理实践中，标准化问卷通过结构化、临床验证的问题（即条目）作为评估心理健康的重要工具。尽管社交媒体平台为心理健康筛查提供了丰富的数据，但计算方法通常绕过这些既定的临床评估工具，转而倾向于黑盒分类。我们提出了一种新颖的问卷引导筛查框架，通过自适应检索增强生成（adaptive Retrieval-Augmented Generation, \textit{aRAG}）将心理实践与计算方法相结合。我们的方法通过为每个问卷条目检索相关的帖子，并利用大语言模型（LLM）完成经过验证的心理测量工具，从而将非结构化的社交媒体内容与标准化临床评估联系起来。我们的发现证明了问卷引导筛查的两个关键优势：首先，在完成 Beck 抑郁量表-II（BDI-II）时，我们的方法在基于 Reddit 的基准测试上达到或超越了 SOTA 性能，且无需训练数据。其次，我们表明，与直接提示 LLM 进行抑郁症筛查相比，通过标准化问卷引导 LLM 可以产生更好的结果，同时通过将模型输出与临床验证的诊断标准联系起来，提供更具可解释性的评估。此外，作为概念验证，我们展示了基于问卷的方法如何扩展到其他心理健康状况的筛查，突显了 LLM 作为心理评估者的广阔前景。
引用
@article{arxiv.2501.00982,
title = {Are LLMs effective psychological assessors? Leveraging adaptive RAG for interpretable mental health screening through psychometric practice},
author = {Federico Ravenda and Seyed Ali Bahrainian and Andrea Raballo and Antonietta Mira and Noriko Kando},
journal= {arXiv preprint arXiv:2501.00982},
year = {2025}
}