社交媒体中可解释的抑郁症状检测

社交平台用户常将这些站点视为发布自身心理健康问题的支持性空间。这些对话包含关于个体健康风险的重要痕迹。近来，研究者利用此类在线信息构建心理健康检测模型，旨在识别 Twitter、Reddit 或 Facebook 等平台上处于风险中的用户。这些模型大多聚焦于取得良好的分类结果，忽视了决策的可解释性与可理解性。近期研究指出，使用临床标记（如症状的使用）对提升健康专业人员对计算模型的信任十分重要。本文中，我们提出使用基于 transformer 的架构来检测并解释用户文本中抑郁症状标记的出现。我们给出两种方案：i) 分别训练一个分类模型和一个解释分类器决策的模型；ii) 使用单一模型同时统一两项任务。此外，对于后一种方式，我们还考察了近期对话式 LLM 在使用上下文学习时的表现。我们的自然语言解释使临床医生能够基于经验证的症状解读模型决策，从而增强对自动化过程的信任。我们使用近期基于症状的数据集评估我们的方法，采用离线与专家在环指标来评估模型所生成解释的质量。实验结果表明，在生成可解释的基于症状的解释的同时，有可能取得良好的分类结果。