利用语言模型总结精神状态检查：综合评估与数据集发布
计算与语言
2025-12-12 v3
摘要
心理健康障碍影响着全球相当大比例的人口，诊断主要通过精神状态检查（MSE）进行。MSE是一种结构化评估，用于评估各个领域的行为和认知功能，帮助心理健康专业人员进行诊断和治疗监测。然而，在发展中国家，获得心理健康支持的机会有限，导致对心理健康专业人员的需求巨大。住院医生通常进行初步患者评估并为高级医生撰写摘要，但他们的可用性有限，导致患者等待时间延长。本研究通过评估各种语言模型来解决从MSE生成简洁摘要的挑战。鉴于相关心理健康对话数据集的稀缺，我们开发了一个包含12个项目的描述性MSE问卷，收集了405名参与者的回答，得到了9720个涵盖不同心理健康方面的语句。随后，我们评估了五个著名的预训练摘要模型在有微调和无微调情况下对MSE进行摘要的性能。我们的综合评估利用ROUGE、SummaC和人工评估等指标，表明语言模型可以为医生生成自动连贯的MSE摘要。通过本文，我们向心理健康研究社区公开发布我们收集的对话数据集和训练好的模型。
引用
@article{arxiv.2403.20145,
title = {Leveraging language models for summarizing mental state examinations: A comprehensive evaluation and dataset release},
author = {Nilesh Kumar Sahu and Manjeet Yadav and Mudita Chaturvedi and Snehil Gupta and Haroon R Lone},
journal= {arXiv preprint arXiv:2403.20145},
year = {2025}
}
备注
Appeared in: Proceedings of the 31st International Conference on Computational Linguistics (COLING 2025), Abu Dhabi, UAE. ACL Anthology ID: 2025.coling-main.182. (https://aclanthology.org/2025.coling-main.182/)