DepressLLM：基于真实叙事的可解释域适应语言模型抑郁检测
计算与语言
2025-08-13 v1 人工智能
摘要
大语言模型（LLM）的进步推动了广泛应用，但抑郁预测受限于缺乏大规模、高质量且经过严格标注的数据集。本研究引入DepressLLM，该模型训练和评估于一个包含3699篇自传体叙事的新型语料库，这些叙述既包含幸福也包含痛苦。DepressLLM提供可解释的抑郁预测，并通过其得分引导的标记概率求和（Score-guided Token Probability Summation, SToPS）模块，实现更好的分类性能和可靠的置信度估计，在AUC上达到0.789；在置信度≥0.95的样本上提升至0.904。为验证其对异构数据的鲁棒性，我们在内部数据集上评估了DepressLLM，包括生态动力学评估（Ecological Momentary Assessment, EMA）日常压力和情绪记录语料库，以及公开临床访谈数据。最后，对高置信度误分类的精神科医生审查，揭示了模型和数据局限性，指向未来改进方向。这些发现表明，可解释的人工智能可以实现抑郁症的早期诊断，凸显了医学人工智能在精神医学中的前景。
引用
@article{arxiv.2508.08591,
title = {DepressLLM: Interpretable domain-adapted language model for depression detection from real-world narratives},
author = {Sehwan Moon and Aram Lee and Jeong Eun Kim and Hee-Ju Kang and Il-Seon Shin and Sung-Wan Kim and Jae-Min Kim and Min Jhon and Ju-Wan Kim},
journal= {arXiv preprint arXiv:2508.08591},
year = {2025}
}