基础模型时代的 multilingual 认知障碍检测
计算与语言
2026-04-09 v1
摘要
我们评估了从英语、斯洛文尼亚语和韩语语音转录文本中进行认知障碍（CI）分类的性能。我们比较了三种输入设置下的零样本大语言模型（LLM）作为直接分类器——仅转录文本、仅语言特征、以及两者结合——与在留一法协议下训练的监督表格方法。表格模型在工程化语言特征、转录嵌入以及两者的早期或晚期融合上运行。在所有语言中，零样本LLM提供了具有竞争力的无需训练基线，但监督表格模型通常表现更好，特别是在纳入工程化语言特征并与嵌入相结合时。聚焦于嵌入的少样本实验表明，有限监督的价值是语言依赖的，一些语言从额外标注示例中受益显著，而另一些语言则在缺乏更丰富特征表示的情况下仍受限制。总体而言，结果表明在小数据认知障碍检测中，结构化语言信号和基于简单融合的分类器仍然是强大且可靠的信号。
引用
@article{arxiv.2604.06758,
title = {Multilingual Cognitive Impairment Detection in the Era of Foundation Models},
author = {Damar Hoogland and Boshko Koloski and Jaya Caporusso and Tine Kolenik and Ana Zwitter Vitez and Senja Pollak and Christina Manouilidou and Matthew Purver},
journal= {arXiv preprint arXiv:2604.06758},
year = {2026}
}
备注
Accepted as an oral at the RAPID workshop @ LREC 2026'