STEP-EZ：基于句法树引导语义解释的零样本可解释临床抑郁症状文本建模
计算与语言
2021-06-24 v2 人工智能
信息检索
机器学习
摘要
我们致力于探索零样本学习（ZSL）的多种方法及其可解释性，用于一项极具挑战性却十分重要的监督学习任务——以训练数据稀缺而著称的从文本中检测抑郁症状（DSD）。首先，我们在一线临床医生的协助下，对ZSL建模的各个组成部分进行了综合梳理，并对真实样本及抑郁症状线索的整理过程加以分析。接着，我们分析了多种最先进ZSL模型在我们任务上的准确率及其可能的改进方向。此外，我们勾勒了一个利用ZSL实现基于层次化文本的解释机制的框架，称之为句法树引导的语义解释（STEP）。最后，我们总结了实验，并得出结论：可以使用ZSL模型并取得合理的准确率与可解释性，后者由所提出的可解释性指数（EI）衡量。据我们所知，本工作是首个从准确率和可解释性两方面详尽探究ZSL模型在DSD任务上有效性的研究。
引用
@article{arxiv.2106.10928,
title = {STEP-EZ: Syntax Tree guided semantic ExPlanation for Explainable Zero-shot modeling of clinical depression symptoms from text},
author = {Nawshad Farruque and Randy Goebel and Osmar Zaiane and Sudhakar Sivapalan},
journal= {arXiv preprint arXiv:2106.10928},
year = {2021}
}
备注
Fixed an algorithm