面向可解释抑郁检测的深度知识灌注
机器学习
2024-09-05 v1 人工智能
计算与语言
摘要
发现个体在社交媒体上的抑郁状态日益重要。研究者采用机器学习/深度学习或词典方法进行自动化抑郁检测。词典方法可解释性强且易于实现，通过匹配用户帖子中的词汇而不考虑上下文；而深度学习模型能利用上下文信息，但其黑箱特性限制了在该领域的应用。虽然 LIME 和 SHAP 等代理模型可为深度模型生成解释，但这些解释适合开发者且对最终用户有限。我们提出一种知识灌注神经网络 (KiNN)，将来自抑郁特征本体 (DFO) 的领域特定知识融入神经网络，使模型具备关于临床医生理解的概念和过程的用户级可解释性。进一步还将来自常识转换器 (COMET) 的常识知识（基于 ATOMIC 训练）灌注，以考虑帖子中通用的情感方面。该模型在三个经专家精选的数据集上进行评估。我们观察到 KiNN 在 CLEF e-Risk（MCC 提升 25%，F1 提升 12%）和 PRIMATE 数据集上相对于最佳领域特定模型 MentalBERT 均显著提升。结果表明，生成的解释对精神健康专业人员更有信息价值。
引用
@article{arxiv.2409.02122,
title = {Deep Knowledge-Infusion For Explainable Depression Detection},
author = {Sumit Dalal and Sarika Jain and Mayank Dave},
journal= {arXiv preprint arXiv:2409.02122},
year = {2024}
}
备注
13 pages, 2 figures