通过大语言模型构建预测心理健康严重程度的多语言数据集：前景与挑战
计算与语言
2026-02-10 v3 机器学习
摘要
大语言模型（LLMs）正越来越多地融入包括心理健康支持系统在内的各种医疗领域。然而，关于LLMs在非英语心理健康支持应用中有效性的研究存在空白。为解决这一问题，我们提出了一个新颖的多语言改编版本，将广泛使用的心理健康数据集从英语翻译成六种语言（希腊语、土耳其语、法语、葡萄牙语、德语和芬兰语）。该数据集能够全面评估LLMs在跨语言检测心理健康状况及其严重程度方面的性能。通过使用GPT和Llama进行实验，我们观察到尽管在相同的翻译数据集上进行评估，不同语言间的性能仍存在相当大的差异。这种不一致性凸显了多语言心理健康支持的内在复杂性，其中语言特定的细微差别和心理健康数据覆盖范围会影响模型的准确性。通过全面的错误分析，我们强调了在医疗环境中完全依赖LLMs的风险（例如，它们可能导致误诊）。此外，我们提出的方法为多语言任务节省了大量成本，为大规模实施提供了主要优势。
引用
@article{arxiv.2409.17397,
title = {Building Multilingual Datasets for Predicting Mental Health Severity through LLMs: Prospects and Challenges},
author = {Konstantinos Skianis and John Pavlopoulos and A. Seza Doğruöz},
journal= {arXiv preprint arXiv:2409.17397},
year = {2026}
}