迈向算法保真度：合成数据与人类生成数据中跨人口统计的心理健康表示

合成数据生成有望影响数据稀缺的应用和领域。然而，在此类数据被用于心理健康等敏感任务之前，我们需要了解不同人口统计学群体在其中的表示情况。在本文中，我们通过探索 GPT-3 归因于不同种族和性别组合的各种压力源，分析了使用 GPT-3 生成合成数据的潜力，旨在为未来希望使用 LLM 进行数据生成的研究人员提供见解。使用 GPT-3，我们通过控制种族、性别和时间范围（COVID-19 之前和之后），开发了 HEADROOM，这是一个包含 3,120 篇关于抑郁症诱发压力源的合成数据集。利用该数据集，我们进行了语义和词法分析，以（1）识别每个人口统计学群体的主要压力源；并（2）将我们的合成数据与人类生成的数据集进行比较。我们展示了使用 GPT-3 生成查询以开发抑郁症数据的流程，并进行分析以揭示其分配给各人口统计学群体的压力源类型，这可用于测试 LLM 在生成抑郁症合成数据方面的局限性。我们的研究结果表明，在多样化的人口统计学群体中，合成数据模仿了部分人类生成数据在主要抑郁症压力源上的分布。