HARBOR：面向行为健康的全面自适应风险评估模型
人工智能
2026-01-06 v3
摘要
行为健康风险评估始终是一个具有挑战性的问题，由于患者数据的高度多模态性以及情绪和情感障碍的时间动态特性。虽然大型语言模型（LLM）已显示出强大的推理能力，但其在结构化临床风险评分中的有效性尚不明确。本文引入 HARBOR，一种面向行为健康的语言模型，用于预测离散情绪和风险评分，即 Harbor Risk Score（HRS），在 -3（严重抑郁）至 +3（躁狂）的整数比例尺上进行评估。我们也发布了 PEARL，一个纵向行为健康数据集，涵盖四年的每月观察，包含来自三位患者的生理、行为和自报告心理健康信号。我们对传统机器学习模型、专有 LLM 和 HARBOR 在多个评估场景和消融实验中进行基准测试。结果表明，HARBOR 在各类基准中均优于经典基线和通用 LLM，在分类准确率上达到 69%，显著高于 logistic 回归的 54% 和最强专有 LLM 基线的 29%。
引用
@article{arxiv.2512.18829,
title = {HARBOR: Holistic Adaptive Risk assessment model for BehaviORal healthcare},
author = {Aditya Siddhant},
journal= {arXiv preprint arXiv:2512.18829},
year = {2026}
}