基于 LLM 生成嵌入的社交媒体文本可解释抑郁检测
计算与语言
2025-06-10 v1
摘要
准确且可解释地检测社交媒体中的抑郁语言对于干预精神健康状况具有重要意义，对临床实践和公共卫生工作都有重要影响。本文研究了大型语言模型(LLM)和传统机器学习分类器在涉及社交媒体数据的三个分类任务中的性能：二进制抑郁分类、抑郁严重程度分类以及抑郁、PTSD和焦虑之间的差异诊断分类。我们的研究比较了零样本LLM与在常规文本嵌入和LLM生成摘要嵌入上训练的监督分类器。我们的实验表明，尽管零样本LLM在二进制分类中表现出强大的泛化能力，但在细粒度的有序分类方面表现不佳；相比之下，基于LLM生成的摘要嵌入训练的分类器在分类任务中表现出竞争力，甚至在某些情况下优于使用传统文本嵌入的模型。我们的发现表明了LLM在精神健康预测中的优势，并为更好地利用其零样本能力和上下文感知摘要技术指明了前景。
引用
@article{arxiv.2506.06616,
title = {Interpretable Depression Detection from Social Media Text Using LLM-Derived Embeddings},
author = {Samuel Kim and Oghenemaro Imieye and Yunting Yin},
journal= {arXiv preprint arXiv:2506.06616},
year = {2025}
}
备注
Submitted to the IEEE EMBS BHI 2025 Conference