超越语义：基于证据推理的多视图学习框架用于可信心心理健康预测
计算与语言
2026-05-07 v1
摘要
使用文本数据进行自动心理健康预测近期在深度学习和大型语言模型方面显示出良好的潜力。然而，在高风险的实际场景中部署这些模型仍具有挑战性，因为现有方法主要依赖语义表示，常在模糊、噪声或分布偏移的数据下产生过高置信度的预测。此外，大多数方法缺乏可靠的不确定性估计，削弱了对风险敏感心理健康应用的信任。为此，我们将任务形式化为多视图学习问题，整合编码器-only模型的语义信息与解码器-only模型的高阶推理信息，通过可信的方式获得推理感知的表示和不确定性建模。为确保可靠的融合，我们采用基于主观逻辑的证据学习框架，显式建模不确定性，并引入证据融合策略，在平衡互补视图的同时对不可靠证据进行贬值。在三个真实世界数据集Dreaddit、SDCNL和DepSeverity上进行基准测试，分别报告了0.835、0.731和0.751的准确率，证明其在可靠心理健康预测方面的潜力。额外的对噪声鲁棒性和可解释性的实验确认，我们提出的框架不仅提升了预测性能，还提供了可信的不确定性估计和人类可理解的推理信号，适用于风险敏感的心理健康评估场景。
引用
@article{arxiv.2605.05121,
title = {Beyond Semantics: An Evidential Reasoning-Aware Multi-View Learning Framework for Trustworthy Mental Health Prediction},
author = {Yucheng Ruan and Ling Huang and Qika Lin and Kai He and Mengling Feng},
journal= {arXiv preprint arXiv:2605.05121},
year = {2026}
}