基于证据的社交媒体自杀风险检测证据驱动标记提取
计算与语言
2025-02-27 v1
摘要
从社交媒体文本中早期检测自杀风险对于及时干预至关重要。虽然大语言模型（LLM）在该领域提供了有前景的能力，但仍面临可解释性和计算效率的挑战。本文引入 Evidence-Driven LLM（ED-LLM），一种新的临床标记提取和自杀风险分类方法。ED-LLM 采用多任务学习框架，联合训练基于 Mistral-7B 的模型以识别临床标记片段并分类自杀风险等级。这种以证据为导向的策略通过显式突出支持风险评估的文本证据来增强可解释性。在 CLPsych 数据集上进行评估，ED-LLM 在风险分类和临床标记片段识别方面表现出竞争力，优于包括微调的 LLM、传统机器学习和基于提示的方法。结果凸显了多任务学习在可解释且高效的 LLM-based 自杀风险评估中的有效性，为临床相关应用铺平了道路。
关键词
引用
@article{arxiv.2502.18823,
title = {Evidence-Driven Marker Extraction for Social Media Suicide Risk Detection},
author = {Carter Adams and Caleb Carter and Jackson Simmons},
journal= {arXiv preprint arXiv:2502.18823},
year = {2025}
}