利用大语言模型生成医学信息驱动的抑郁症检测解释
计算与语言
2025-03-20 v1
摘要
从社交媒体数据中早期检测抑郁症为及时干预提供了宝贵机会。然而，这项任务面临重大挑战，既需要专业的医学知识，也需要开发准确且可解释的模型。在本文中，我们提出 LLM-MTD（用于多任务抑郁症检测的大语言模型），一种利用预训练大语言模型同时对社交媒体帖子进行抑郁症分类并生成基于医学诊断标准的文本解释的新方法。我们采用多任务学习框架训练模型，结合损失函数同时优化分类准确性和解释质量。我们在基准数据集 Reddit Self-Reported Depression Dataset (RSDD) 上评估 LLM-MTD，并将其性能与多种竞争性基线方法（包括传统机器学习和微调 BERT）进行比较。实验结果表明，LLM-MTD 在抑郁症检测方面达到最先进性能，在 AUPRC 和其他关键指标上取得显著提升。此外，对生成解释的人工评估揭示了其相关性、完整性和医学准确性，突显了我们方法在可解释性方面的增强。本研究提出了一种将大语言模型的能力与可解释性这一关键方面相结合的抑郁症检测新方法。
引用
@article{arxiv.2503.14671,
title = {Generating Medically-Informed Explanations for Depression Detection using LLMs},
author = {Xiangyong Chen and Xiaochuan Lin},
journal= {arXiv preprint arXiv:2503.14671},
year = {2025}
}