基于心理学解释的图建模用于可解释抑郁检测
计算与语言
2026-04-28 v1
摘要
从对话交互中自动检测抑郁状况对于可扩展的筛查具有巨大潜力，但由于严重的数据稀缺和缺乏临床可解释性，仍面临挑战。现有方法通常依赖于黑箱深度学习架构，这些方法难以建模抑郁症状的微妙、随时间演变的特征，或考虑到参与者特定的异质性。在本工作中，我们提出了PsyGAT（Psychological Graph Attention Network），一种基于心理学的框架，将对话会话建模为动态时序图。我们引入心理表达单元（PEUs）来显式编码言语水平的临床证据，将会话图结构化，以捕捉心理状态变化，而不仅仅是语义依赖关系。为解决抑郁数据集中严重类别不平衡问题，我们采用临床上批准的基于人物的数据增强方法，实现稳健的模型学习。此外，我们将会话级别的性格背景直接整合到图结构中，以分离基于性格的行为与急性抑郁症状。PsyGAT实现了最先进的性能，在DAIC-WoZ和E-DAIC数据集上分别达到了89.99和71.37的宏平均F1分数。我们进一步引入Causal-PsyGAT，这是一个可解释性模块，用于识别症状触发因素。实验表明，在识别因果指标方面，MRR提高了20%，有效地弥合了抑郁监测与临床可解释性之间的鸿沟。完整的增强数据集已公开于https://doi.org/10.6084/m9.figshare.31801921。
引用
@article{arxiv.2604.24126,
title = {Psychologically-Grounded Graph Modeling for Interpretable Depression Detection},
author = {Rishitej Reddy Vyalla and Kritarth Prasad and Avinash Anand and Erik Cambria and Shaoxiong Ji and Faten S. Alamri and Zhengkui Wang},
journal= {arXiv preprint arXiv:2604.24126},
year = {2026}
}