K-SENSE：一种用于社交媒体心理健康状况神经语义评估的知识引导自增强编码器
计算与语言
2026-04-29 v2 人工智能
摘要
从社交媒体文本中早期检测心理健康状况，尤其是压力和抑郁，仍然是计算精神病学和自然语言处理中一个具有挑战性的开放问题。自动化系统必须应对比喻性语言、隐含的情感表达以及用户生成内容中固有的高噪声。现有方法要么利用外部常识知识显式建模心理状态，要么应用自增强和对比训练来提高泛化能力，但很少在原则性的统一框架中同时做到这两点。我们提出了K-SENSE（知识引导的自增强编码器，用于心理健康神经语义评估），这是一个联合利用外部心理推理和内部表示鲁棒性的框架。K-SENSE采用三阶段编码流程：（1）从COMET模型中提取跨五个心理状态维度的推理常识知识；（2）通过组合两个并行编码流的隐藏表示构建语义锚点，在融合前投影到共享空间；（3）监督对比学习目标对齐同类表示，同时鼓励注意力机制抑制无关知识噪声。我们在Dreaddit（压力检测）和Depression_Mixed（抑郁检测）上评估了K-SENSE，在五次独立运行中分别实现了86.1（0.6%）和94.3（0.8%）的平均F1分数。这比最强先前基线分别提高了约2.6和1.5个百分点。消融实验证实了每个架构组件的贡献，包括时间知识整合策略以及在微调期间保持知识编码器冻结的选择。
引用
@article{arxiv.2604.23493,
title = {K-SENSE: A Knowledge-Guided Self-Augmented Encoder for Neuro-Semantic Evaluation of Mental Health Conditions on Social Media},
author = {Vijay Yadav},
journal= {arXiv preprint arXiv:2604.23493},
year = {2026}
}