ProKnow：用于心理健康诊断辅助中安全约束与可解释问题生成的过程知识
计算与语言
2023-06-05 v2
摘要
当前的虚拟心理健康助手 (VMHA) 提供咨询和建议性护理。它们避免提供患者诊断辅助，因为缺乏安全约束和专门临床过程知识的训练。在这项工作中，我们将 Proknow 定义为一组有序信息，其映射到基于证据的指南或领域专家的概念理解类别。我们还引入了一个由安全约束和专业人员使用的 Proknow 指导的诊断对话新数据集。我们开发了一种自然语言问题生成 (NLG) 方法，用于从患者处交互式收集诊断信息。我们展示了在此数据集上使用最先进的大规模语言模型 (LM) 的局限性。我们的算法通过显式建模安全性、知识捕获和可解释性来对过程知识建模。用 ProKnow 指导方法增强的 LM 在抑郁和焦虑领域生成了安全度高 89% 的问题。所生成问题的可解释性通过计算与抑郁和焦虑知识库中概念的相似度来评估。总体而言，无论用我们的 ProKnow 增强的 LM 类型如何，我们在安全性、可解释性和过程指导的问题生成上相比简单预训练 LM 平均实现了 82% 的提升。我们通过引入三个用于安全性、可解释性和过程知识遵循的新评估指标，定性和定量地评估了所提出的 ProKnow 指导方法的效能。
引用
@article{arxiv.2305.08010,
title = {ProKnow: Process Knowledge for Safety Constrained and Explainable Question Generation for Mental Health Diagnostic Assistance},
author = {Kaushik Roy and Manas Gaur and Misagh Soltani and Vipula Rawte and Ashwin Kalyan and Amit Sheth},
journal= {arXiv preprint arXiv:2305.08010},
year = {2023}
}