从用户数字痕迹检测抑郁状态转移的可解释方法

每天，用户会生成数字痕迹（如社交媒体帖子、聊天记录及线上互动），这些痕迹本质上带有时间戳，可能反映其心理状态的方方面面。这些痕迹可组织为捕获用户心理健康信号演变轨迹，包括改善、恶化或稳定的阶段。在本工作中，我们提出一种用于检测和分析抑郁相关状态转移的用户数字痕迹的可解释框架。该方法结合多个 BERT-based 模型从不同维度（如情感、情绪和抑郁严重程度）提取互补信号。此类信号随时间被聚合以构建用户层次的轨迹，用于识别有意义的变化点。为提升可解释性，该框架集成大型语言模型生成简洁且易于人类理解的报告，描述心理健康信号的演变并突出关键转折。我们在两个社交媒体数据集上对该框架进行评估。结果表明，该方法比直接基于 LLM 的报告生成更具连贯性和信息性，实现更高的用户历史覆盖率、更强的时间一致性以及对变化点的更敏感的检测。消融研究确认了每个组件的贡献，尤其是时间建模和分段。总体而言，该方法为随时间可解释地观察心理健康信号提供了视角，支持研究和决策，虽不旨在进行临床诊断。