增强型大语言模型用于有效筛查抑郁和焦虑
计算与语言
2025-01-28 v2
摘要
抑郁和焦虑障碍广泛存在，迫切需要及时识别和管理。近期大语言模型（LLM）的进展提供了潜在解决方案，但高昂的成本和关于训练数据伦理问题仍是挑战。本文引入了一个用于合成临床访谈的管道，生成 1,157 份交互式对话（PsyInterview），并提出了 EmoScan，这是一个基于 LLM 的情感障碍筛查系统。EmoScan 区区不同粗粒度（如焦虑或抑郁障碍）和细粒度障碍（如重度抑郁障碍），并进行高质量访谈。评估显示，EmoScan 在筛查情感障碍方面超越了基础模型和其他 LLM 如 GPT-4（F1-score=0.7467），也提供了优异的解释（BERTScore=0.9408），并表现出稳健的通用性（在外部数据集上的 F1-score 为 0.67）。此外，EmoScan 在访谈技能方面也优于基线方法，经自动评级和人类评估均得到验证。这一工作凸显了为开发有效心理健康 LLM 工具的重要性，强调可扩展数据生成管道的价值。
引用
@article{arxiv.2501.08769,
title = {Enhanced Large Language Models for Effective Screening of Depression and Anxiety},
author = {June M. Liu and Mengxia Gao and Sahand Sabour and Zhuang Chen and Minlie Huang and Tatia M. C. Lee},
journal= {arXiv preprint arXiv:2501.08769},
year = {2025}
}