用于双相情感障碍和精神分裂症临床数据标注与收集的 LLM 应用

精神健康领域的自然语言处理主要聚焦于社交媒体。实际运作中，临床工作人员也面临高案件负荷，常涉及特定领域变量，而现代大型语言模型 (LLM) 缺乏这些背景信息。我们采用了由 644 名参与者组成的数据集，包括患有双相情感障碍 (BD) 的患者、精神分裂症 (SZ) 患者以及健康对照组 (HC)。参与者完成了源自标准化精神健康仪器的任务，所得数据由跨领域的专家标注。本文展示了当代语言模型在序列到序列任务中应用，以增强精神健康研究的能力。具体而言，我们说明了这些模型如何促进精神健康仪器的部署、数据收集和数据标注，实现高精度和高可扩展性。我们表明，小型模型能够处理领域特定的临床变量进行标注、进行精神健康仪器的数据收集，并优于商业大型模型。