基于个性化检索增强生成的临床访谈抑郁检测可解释方法
计算与语言
2025-03-04 v1
摘要
抑郁是一种广泛的精神健康障碍，临床访谈是评估该病的金标准。然而，其对稀缺专业人士的依赖凸显了自动化检测的需求。当前系统主要采用黑箱神经网络，缺乏可解释性，而在精神健康领域这一点尤为关键。一些尝试改善可解释性的做法采用事后LLM生成，但 suffer from 幻觉问题。为此，我们提出了RED框架，即基于检索增强生成的可解释抑郁检测方法。RED从临床访谈记录中检索证据，为预测提供解释。传统查询驱动的检索系统采用“一刀切”方法，可能并非抑郁检测的最佳方案，因为用户背景和情境各不相同。我们引入个性化查询生成模块，将常规查询与由LLM推断的用户特定背景相结合，以此为个体情境定制化检索。此外，为提升LLM在社交智能方面的表现，我们通过基于事件的检索器从社交智能数据存储库中检索相关知识来增强LLM。实验结果表明，RED在真实世界基准测试中优于神经网络和LLM基线方法。
引用
@article{arxiv.2503.01315,
title = {Explainable Depression Detection in Clinical Interviews with Personalized Retrieval-Augmented Generation},
author = {Linhai Zhang and Ziyang Gao and Deyu Zhou and Yulan He},
journal= {arXiv preprint arXiv:2503.01315},
year = {2025}
}