对话中焦虑和抑郁的检测：一种多标签和可解释方法
人工智能
2024-12-24 v1
摘要
焦虑和抑郁是全球范围内最常见的精神健康问题，影响着相当大比例的人群。因此，政府健康系统等利益相关方正在 developing 新策略，以从整体角度（即同时处理多个障碍）促进早期检测和预防。本文提出了一个全新的焦虑和抑郁的多标签分类系统。输入数据来自用户与助理聊天机器人交互的对话。另一个重要贡献在于利用大型语言模型（LLM）进行特征提取，鉴于语言的复杂性和多样性。LLM 凭借其强大的语言理解能力，以及机器学习模型凭借其对分类问题所需标签数据的 contextual 知识，构成了一个可前景的精神健康评估方法。为促进解决方案的可信度、可靠性和可解释性，我们在图形仪表板中提供了模型决策的可解释描述。在真实数据集上的实验结果达到 90% 的准确率，优于已有文献中的结果。最终目标是以一种可访问且可扩展的方式，贡献于正式进入医疗保健系统之前的早期检测。
引用
@article{arxiv.2412.17651,
title = {Detecting anxiety and depression in dialogues: a multi-label and explainable approach},
author = {Francisco de Arriba-Pérez and Silvia García-Méndez},
journal= {arXiv preprint arXiv:2412.17651},
year = {2024}
}