基于链式思维提示的抑郁检测提升：从情感到推理
计算与语言
2025-02-11 v1 人工智能
摘要
抑郁是全球主要的残疾原因，对个人、医疗系统和社会构成严重负担。近期大语言模型（LLM）的进展在解决精神健康问题方面显示出前景，包括通过基于文本的分析检测抑郁。然而，当前 LLM 方法常在细致症状识别方面困难，缺乏透明的逐步推理过程，难以准确分类和解释心理健康状况。为此，本文提出一种链式思维提示方法，以提升 LLM 抑郁检测的性能和可解释性。该方法将检测过程分为四个阶段：（1）情感分析，（2）二元抑郁分类，（3）潜在原因识别，（4）严重程度评估。通过引导模型经过这些结构化推理步骤，我们提升了可解释性，降低了忽视细微临床指标的风险。我们在 E-DAIC 数据集上进行验证，测试了多种前沿大语言模型。实验结果表明，与基线方法相比，本文的链式思维提示技术在分类准确率和诊断洞察的细粒度方面均表现出优越性能。
引用
@article{arxiv.2502.05879,
title = {Enhancing Depression Detection with Chain-of-Thought Prompting: From Emotion to Reasoning Using Large Language Models},
author = {Shiyu Teng and Jiaqing Liu and Rahul Kumar Jain and Shurong Chai and Ruibo Hou and Tomoko Tateyama and Lanfen Lin and Yen-wei Chen},
journal= {arXiv preprint arXiv:2502.05879},
year = {2025}
}