基于LLM的深度对话分析智能抑郁预防：突破规模依赖诊断局限的精准情感模式识别
神经元与认知
2025-04-24 v1 人机交互
摘要
现有抑郁筛查主要依赖标准化问卷（如PHQ-9、BDI），因其静态症状计数方式及患者回忆偏差，临床研究显示误诊率高达18-34%。本文提出一种AI驱动的抑郁预防系统，利用大语言模型（LLM）分析实时对话线索——包括细微情感表达（如微型情感转变、自指语言模式），实现更精准、动态的心理状态评估。系统具三大创新：（1）通过自然对话实现持续监测，检测抑郁指征语言特征（快感丧失标记、绝望语义），准确率达89%（相较PHQ-9的72%）；（2）自适应风险分层，依据对话背景更新严重程度，使误报率较基于量表阈值降低41%；（3）针对用户情感细粒度性制定个性化干预策略，依从率比通用建议高出2.3倍。临床验证450名受试者显示，系统识别了92%的传统量尺漏诊案例，其可解释AI界面弥合了自动分析与临床判断之间的鸿沟。本工作确立了对话式AI作为从稳态量表依赖诊断向持续、情感智能心理健康监测的范式转变。
引用
@article{arxiv.2504.16504,
title = {Intelligent Depression Prevention via LLM-Based Dialogue Analysis: Overcoming the Limitations of Scale-Dependent Diagnosis through Precise Emotional Pattern Recognition},
author = {Zhenguang Zhong and Zhixuan Wang},
journal= {arXiv preprint arXiv:2504.16504},
year = {2025}
}