RACER: 一种基于LLM的半结构化心理健康访谈可扩展分析方法
计算与语言
2024-02-06 v1 定量方法
摘要
半结构化访谈（SSI）是医疗保健研究中常用的数据收集方法，可提供对受试者经历的深入定性见解。尽管有其价值，但SSI的手动分析非常耗时且劳动密集，部分原因是难以提取和分类情绪反应，以及在大规模人群中扩展人工评估的挑战。在本研究中，我们开发了RACER，一种基于大型语言模型（LLM）的专家引导自动化流水线，能够高效地将原始访谈转录转化为有洞察力的领域相关主题和子主题。我们使用RACER分析了与93名医疗保健专业人员和实习生进行的SSI，以评估COVID-19危机对个人和职业心理健康的广泛影响。RACER与两位人类评估者达到了中等高度的一致性（72%），接近人类评估者间的一致性（77%）。有趣的是，LLM和人类在涉及细微情感、矛盾/辩证和心理陈述的内容上都有困难。我们的研究强调了使用LLM提高研究效率的机遇和挑战，并为医疗保健研究中SSI的可扩展分析开辟了新途径。
引用
@article{arxiv.2402.02656,
title = {RACER: An LLM-powered Methodology for Scalable Analysis of Semi-structured Mental Health Interviews},
author = {Satpreet Harcharan Singh and Kevin Jiang and Kanchan Bhasin and Ashutosh Sabharwal and Nidal Moukaddam and Ankit B Patel},
journal= {arXiv preprint arXiv:2402.02656},
year = {2024}
}