面向精神障碍检测的小样本学习：一种结合医学知识注入的连续多提示工程方法
计算与语言
2025-03-17 v2 人工智能
摘要
本研究利用最先进的AI技术，通过用户生成的文本内容来检测精神障碍。现有研究通常依赖于全监督机器学习，这带来了诸多挑战，例如为每个研究问题手动标注大量训练数据的劳动密集型过程，以及需要为每个任务设计专门的深度学习架构。我们提出了一种新颖的方法来应对这些挑战，该方法利用大语言模型和连续多提示工程，具有两个关键优势：（1）开发能够捕捉每个用户独特特征的个性化提示；（2）将结构化医学知识整合到提示中，为疾病检测提供背景信息并促进预测建模。我们以三种广泛流行的精神障碍作为研究案例来评估我们的方法。我们的方法显著优于现有方法，包括特征工程、架构工程和离散提示工程。同时，我们的方法在小样本学习方面表现出成功，即仅需极少量的训练样本。此外，我们的方法可以推广到其他具有少量正标签的罕见精神障碍检测任务。除了技术贡献外，我们的方法还有潜力改善精神障碍患者的福祉，并为传统精神障碍筛查方法之外的利益相关者提供一种经济高效、易于获取的替代方案。
引用
@article{arxiv.2401.12988,
title = {Few-Shot Learning for Mental Disorder Detection: A Continuous Multi-Prompt Engineering Approach with Medical Knowledge Injection},
author = {Haoxin Liu and Wenli Zhang and Jiaheng Xie and Buomsoo Kim and Zhu Zhang and Yidong Chai and Sudha Ram},
journal= {arXiv preprint arXiv:2401.12988},
year = {2025}
}