使用掩码困难实例挖掘的可解释抑郁症检测
计算与语言
2025-06-02 v1
摘要
本文探讨了改进基于文本的抑郁症检测中可解释性的关键需求。当前的解决方案虽然提供了预测结果，但往往忽略了对模型预测的理解，这可能阻碍对系统的信任。我们提出使用掩码困难实例挖掘（MHIM）来增强抑郁症检测任务中的可解释性。MHIM 在模型内策略性地掩码注意力权重，迫使模型将注意力分配到更广泛的显著特征上。我们在代表不同语言的两个数据集上评估了 MHIM：泰语（Thai-Maywe）和英语（DAIC-WOZ）。我们的结果表明，MHIM 在预测准确率和可解释性指标方面均显著提升了性能。
引用
@article{arxiv.2505.24609,
title = {Explainable Depression Detection using Masked Hard Instance Mining},
author = {Patawee Prakrankamanant and Shinji Watanabe and Ekapol Chuangsuwanich},
journal= {arXiv preprint arXiv:2505.24609},
year = {2025}
}