用于高效、可解释且可复用系统的微模型：以心理健康为例的研究
计算与语言
2021-09-29 v1
摘要
许多统计模型在测试基准上准确率很高，但不可解释、在低资源场景下表现不佳、无法复用于多项任务，且难以整合领域专业知识。这些因素限制了它们的使用，尤其在心理健康等难以标注数据集且模型输出影响重大的场景中。我们引入微模型架构以应对这些挑战。我们的方法允许研究者构建嵌入领域知识并在模型决策过程中提供解释的可解释表示。我们在多项心理健康任务上演示该思路：抑郁分类、PTSD 分类与自杀风险评估。我们的系统在低资源场景下也持续产生强劲结果，且比替代方法更具可解释性。
引用
@article{arxiv.2109.13770,
title = {Micromodels for Efficient, Explainable, and Reusable Systems: A Case Study on Mental Health},
author = {Andrew Lee and Jonathan K. Kummerfeld and Lawrence C. An and Rada Mihalcea},
journal= {arXiv preprint arXiv:2109.13770},
year = {2021}
}
备注
To appear in Findings of EMNLP 2021