SeSaMe：一个为心理健康感知研究模拟自我报告真实值的框架
人机交互
2024-03-28 v2 人工智能
计算机与社会
摘要
移动和可穿戴技术的进步使得被动监测个人的心理、行为和情感健康成为可能。这些方法通常依赖于纵向收集自我报告的结果（例如抑郁、压力和焦虑）来训练机器学习（machine learning, ML）模型。然而，持续自我报告的需求给参与者增加了显著负担，常常导致流失、标签缺失或不真诚的回应。在这项工作中，我们引入了使用心理模型模拟量表得分（Scale Scores Simulation using Mental Models, SeSaMe）框架，以减轻数字心理健康研究中参与者的负担。通过利用预训练的大型语言模型（large language models, LLMs），SeSaMe能够模拟参与者在心理量表上的回应。在SeSaMe中，研究人员可以向LLM提供关于参与者内部行为倾向的信息，使LLM能够构建参与者的心理模型，以模拟他们在心理量表上的回应。我们展示了SeSaMe的一个应用，其中我们使用GPT-4，利用来自一个量表的回应作为行为信息来模拟另一个量表的回应。我们还评估了人类与SeSaMe模拟的心理量表回应之间的一致性。然后，我们通过复现先前研究中已建立的抑郁和焦虑筛查任务，展示了实验以检验SeSaMe模拟的回应作为真实值在训练ML模型中的效用。我们的结果表明SeSaMe是一种有前景的方法，但其一致性可能因量表和具体预测目标而异。我们还观察到，在大多数评估场景中，使用模拟数据训练的模型性能与使用真实数据训练的性能相当。最后，我们讨论了SeSaMe在解决研究人员在被动感知研究中面临的一些真实值收集挑战方面的潜在影响。
引用
@article{arxiv.2403.17219,
title = {SeSaMe: A Framework to Simulate Self-Reported Ground Truth for Mental Health Sensing Studies},
author = {Akshat Choube and Vedant Das Swain and Varun Mishra},
journal= {arXiv preprint arXiv:2403.17219},
year = {2024}
}