我们关心：多模态抑郁症检测与知识注入的心理健康治疗响应生成
计算与语言
2024-06-18 v1
摘要
通过非语言线索检测抑郁症已引起广泛关注。以往研究主要集中在受控实验室环境下的抑郁症识别，通常需要心理学家或咨询师的监督。然而，在这种受控环境中生成的数据集可能难以解释现实情境中的个体行为。针对这一局限，我们提出了扩展的D-vlog数据集，包含1,261个YouTube视频博客。此外，大型语言模型（LLM）如GPT3.5和GPT4的出现引发了对其潜力的兴趣，即它们可以像心理健康专业人员一样发挥作用。然而，这些LLM模型在现实环境中使用的准备程度仍令人担忧，因为它们可能给出错误响应，从而伤害用户。我们引入了一个虚拟代理，作为心理健康患者的初始接触点，提供基于认知行为疗法（CBT）的响应。它包含两个核心功能：1. 识别个体的抑郁症；2. 提供基于CBT的治疗响应。我们的Mistral模型在失真评估和分类上分别取得了70.1%和30.9%的出色分数，以及88.7%的Bert分数。此外，在我们的多模态扩展D-vlog数据集上使用TVLT模型取得了优异结果，F1分数高达67.8%。
引用
@article{arxiv.2406.10561,
title = {We Care: Multimodal Depression Detection and Knowledge Infused Mental Health Therapeutic Response Generation},
author = {Palash Moon and Pushpak Bhattacharyya},
journal= {arXiv preprint arXiv:2406.10561},
year = {2024}
}