揭示自杀预防干预机会：语言模型助手
计算机与社会
2025-09-03 v2
摘要
警告：本文讨论了自杀及自杀念头的话题，可能令一些读者感到困扰。全国暴力死亡报告系统（NVDRS）记录了美国自杀事件的信息，包括自由文本叙述（例如，自杀事件的情形）。在紧张的公共卫生数据管道中，注释员遵循由专家们反复推敲开发的广泛指南，从死亡调查记录中手动提取结构化信息。在本工作中，我们促进了从 NVDRS 数据中获得数据驱动见解，以支持开发新型自杀干预措施的方法，探讨了语言模型（LMs）作为这些 (a) 数据注释员和 (b) 专家的高效助手的价值。我们发现，LM 预测在 50 个 NVDRS 变量上约 85% 的时间与现有数据注释相符。在 LM 与现有注释不一致的情形中，专家审阅显示，LM 助手可以在 38% 的情况下揭示注释差异。最后，我们引入了一个以人为参与的算法，以帮助专家高效地构建和细化注释新变量的指南，使其仅需针对错误的 LM 预测提供反馈。我们将该算法应用于一个真实世界的案例研究，用于描述受害者与律师之间互动的新变量，证明其在不使用繁琐手动方法的情况下实现了相当于的注释质量。我们的发现提供了证据表明，LM 可作为处理高风险场景中敏感数据的公共卫生研究人员的有效助手。
引用
@article{arxiv.2508.18541,
title = {Uncovering Intervention Opportunities for Suicide Prevention with Language Model Assistants},
author = {Jaspreet Ranjit and Hyundong J. Cho and Claire J. Smerdon and Yoonsoo Nam and Myles Phung and Jonathan May and John R. Blosnich and Swabha Swayamdipta},
journal= {arXiv preprint arXiv:2508.18541},
year = {2025}
}
备注
Project Website: https://dill-lab.github.io/interventions_lm_assistants/