通过问题级模态融合提升抑郁检测效果
计算与语言
2025-03-27 v1
摘要
抑郁是一种高度流行且致残的疾病，造成巨大的个人和社会成本。当前的抑郁诊断涉及通过自报问卷或临床医生进行的访谈来确定个体的抑郁严重程度。这通常会导致治疗延迟，并涉及巨大的人力资源。因此，several 工作尝试使用多模态数据自动化此过程。然而，他们通常会忽略以下两点：i) 每种模态对问卷中每个问题的贡献是可变的，ii) 使用序数分类完成此任务。这导致融合和训练方法次优。本文提出一种 novel 的问题级模态融合（QuestMF）框架，并配合 novel 的不平衡序数损失（ImbOLL）函数以应对上述问题。我们的框架在 E-DAIC 数据集上表现与当前 state-of-the-art 模型相当，并通过为每个问题预测得分来增强可解释性。这将帮助临床医生识别个体的症状，从而对其干预进行定制化。我们也公开了 QuestMF 框架的代码。
引用
@article{arxiv.2503.20496,
title = {Enhancing Depression Detection via Question-wise Modality Fusion},
author = {Aishik Mandal and Dana Atzil-Slonim and Thamar Solorio and Iryna Gurevych},
journal= {arXiv preprint arXiv:2503.20496},
year = {2025}
}
备注
18 pages, 5 figures, The 10th Workshop on Computational Linguistics and Clinical Psychology