通过提示诱导学习抑郁症状证据
计算与语言
2026-04-28 v1
摘要
抑郁症对精神健康服务造成巨大压力，许多人会在临床环境之外的高频用户生成文本（如在线论坛和社交媒体）中描述其经历。自动识别此类文本中的临床症状证据因此可以弥补临床资源有限的局限，实现大规模人群的检测。我们通过对21种来自BDI-II问卷的抑郁症状进行句子级分类来应对这一需求，使用标注了症状相关性的数据集BDI-Sen。该任务细致且数据高度不平衡，我们发现常见的大语言模型方法（零样本、情境学习和微调）难以为大多数症状应用一致的相关性标准。我们提出了症状诱导（Symptom Induction, SI）方法，这是一种新方法，将标记示例压缩为简短且可解释的指南，以指定每种症状的证据判断标准，并利用这些指南进行分类。对于四个LLM系列中的八个模型，SI在BDI-Sen上实现了最佳的加权F1分数，尤其在少见症状上取得了显著提升。跨域评估表明，诱导的指南还能推广到其他疾病共享的症状表现（双相情感障碍和进食障碍）。
引用
@article{arxiv.2604.24376,
title = {Learning Evidence of Depression Symptoms via Prompt Induction},
author = {Eliseo Bao and Anxo Perez and David Otero and Javier Parapar},
journal= {arXiv preprint arXiv:2604.24376},
year = {2026}
}
备注
Accepted at SIGIR 2026