缺乏翻译——变换（语言模型）能否理解情绪状态？

背景：大型语言模型在精神医学领域显示出前景，但仅以英语为中心。其理解其他语言情绪状态的能力尚不明确，因为不同语言各自拥有不同的症状表达。目标：量化语言模型对四种情绪状态（抑郁、稳定情绪、躁狂情绪、抑郁样躁狂）在印度语言中所表述的短语（idioms of distress）进行忠实表示的能力。方法：我们收集了四种情绪状态在11种印度语言中共247个唯一短语。我们测试了七种实验情景，比较基于：(a) 原生脚本和罗马化脚本的直接嵌入（使用多语言模型和印度特定模型）和(b) 翻译为英语和中文后嵌入的短语的k-means聚类性能。以调整随机指数、归一化信息、均一性和完整性为指标构建综合得分。结果：印度语言的直接嵌入未能对情绪状态进行聚类（综合得分=0.002）。所有翻译方法均显著改善。使用Gemini翻译的英语嵌入（综合得分=0.60）和人工翻译的英语嵌入（综合得分=0.61）均取得高性能。令人意外的是，使用人工翻译的英语进一步翻译为中文并使用中文模型嵌入时表现最佳（综合得分=0.67）。专门的印度语言模型（IndicBERT和Sarvam-M）表现不佳。结论：当前模型无法从印度语言中有意义地表示情绪状态，这构成了其在印度进行诊断或治疗目的的根本性障碍。虽然高质量翻译弥补了这一差距，但依赖专有模型或复杂的翻译管道难以持续。必须首先构建能够理解多样本土语言的模型，才能在全球精神健康领域发挥有效作用。