面向社交媒体可解释心理压力检测的认知链
人工智能
2024-12-19 v1 计算与语言
人机交互
摘要
压力是一种普遍存在的全球健康问题，可能导致严重的精神健康问题。早期检测能够对压力相关障碍进行及时干预和预防。当前的早期检测模型执行“黑箱”推理，存在可解释性和可信度有限的问题，阻碍了实际临床应用。得益于大语言模型（LLMs）引入的生成特性，这些模型的决策和预测通过相应的描述变得半可解释。然而，现有的LLMs大多为通用目的而训练，缺乏心理学认知理论的指导。为此，我们首先强调了先验理论的重要性，并观察到针对压力检测定制的思维链提升了性能。这种称为认知链的方法基于认知评价理论，通过逐步的认知视角阐明压力的产生过程，其流程为：刺激→评价→反应→压力状态，引导LLMs提供全面的推理解释。我们进一步研究了所提出的认知链格式带来的好处，将其用作LLMs指令调优的合成数据集生成模板，并引入了CogInstruct，一个用于压力检测的指令调优数据集。该数据集使用三阶段自反式标注流水线开发，使LLMs能够自主生成和优化指令数据。通过使用CogInstruct对Llama3进行指令调优，我们开发了CogLLM，一个可解释的压力检测模型。评估表明，CogLLM在增强可解释性的同时实现了出色的性能。我们的工作通过将认知理论整合到LLM推理过程中贡献了一种新颖方法，为未来可解释AI研究提供了一个有前景的方向。
引用
@article{arxiv.2412.14009,
title = {Cognition Chain for Explainable Psychological Stress Detection on Social Media},
author = {Xin Wang and Boyan Gao and Yi Dai and Lei Cao and Liang Zhao and Yibo Yang and David Clifton},
journal= {arXiv preprint arXiv:2412.14009},
year = {2024}
}