A Dual-Prompting for Interpretable Mental Health Language Models
Sungkyunkwan University(成均馆大学);University of South Florida(南佛罗里达大学);Chung-Ang University(中央大学)
本文提出双重提示方法,结合专家身份、自杀词典和心理健康专用LLM进行证据提取,并用一致性评估器生成摘要,以提升心理健康LLM的可解释性并辅助临床评估。
2024-02-20 cs.AI cs.CL
TrustMH-Bench: A Comprehensive Benchmark for Evaluating the Trustworthiness of Large Language Models in Mental Health
Renmin University of China, China(中国人民大学);Beijing University of Posts and Telecommunications, China(北京邮电大学);Hefei University of Technology, China(合肥工业大学)
TrustMH-Bench提出了一种综合基准,用于评估大语言模型在心理健康领域的可信度,揭示了现有模型在关键维度上的不足。
2026-03-03 cs.AI cs.CL
An Integrative Survey on Mental Health Conversational Agents to Bridge Computer Science and Medical Perspectives
University of Pennsylvania(宾夕法尼亚大学);New York University(纽约大学)
本文通过PRISMA框架系统综述了534篇跨计算机科学与医学的心理健康对话智能体论文,揭示了两领域在方法上的差异,并提出促进跨学科发展的建议。
2023-10-25 cs.AI cs.CL
MentalBERT: Publicly Available Pretrained Language Models for Mental Healthcare
Aalto University(阿尔托大学);The University of Manchester(曼彻斯特大学);Mila, Québec AI Institute(米拉魁北克人工智能研究所);Nanyang Technological University(南洋理工大学)
心理健康是现代社会的一个关键问题,精神障碍有时可能会在没有适当治疗的情况下转变为自杀意念。从社会内容中早期发现精神障碍和自杀意念为有效的社会干预提供了潜在的途径。预训练语境化语言表示的最新进展促进了几个特定领域预训练模型的发展,并促进了几个下游应用。然而,目前还没有用于心理健康的预训练语言模型。本文训练并发布了两个预训练的带掩码语言模型,MentalBERT和MentalRoBERTA,使机器学习受益于心理健康研究社区。此外,我们评估了我们的训练特定领域的模型和几个变体的预训练语言模型在几个精神障碍检测基准,并证明语言表示预训练在目标领域提高心理健康检测任务的性能。
2021-10-29 cs.CL
MentalAgora: A Gateway to Advanced Personalized Care in Mental Health through Multi-Agent Debating and Attribute Control
Sungkyunkwan University(成均馆大学);Upstage AI;New York University(纽约大学)
MentalAgora提出一种基于多智能体辩论与属性控制的大语言模型框架,通过策略辩论、咨询师定制和响应生成三阶段实现个性化心理健康支持,实验和用户研究表明其符合专业标准并满足用户偏好。
2024-07-03 cs.CL
The opportunities and risks of large language models in mental health
Google(谷歌公司)
本文综述了大型语言模型在心理健康教育、评估和干预中的应用机遇,同时分析了相关风险,强调负责任开发、微调、公平性与伦理规范的重要性,以最大化其对全球心理健康的积极影响。
2024-08-01 cs.AI cs.CL cs.CY
Challenges of Large Language Models for Mental Health Counseling
University of Warsaw(华沙大学);Informatism(信息主义公司)
本文探讨了大型语言模型在心理健康咨询中面临的主要挑战(如模型幻觉、偏见、隐私和临床有效性等),并提出了适用于当前AI范式的潜在解决方案,指出谨慎克服这些缺陷后AI有望显著改善心理健康护理。
2023-11-23 cs.AI cs.CL cs.HC
Domain-specific Continued Pretraining of Language Models for Capturing Long Context in Mental Health
University of Helsinki(赫尔辛基大学);The University of Manchester(曼彻斯特大学);Nanyang Technological University(南洋理工大学)
针对心理健康领域缺少长序列预训练模型的问题,本文基于 XLNet 和 Longformer 持续预训练并发布 MentalXLNet 与 MentalLongformer,用于提升长上下文分类与长距离依赖建模能力。
2023-04-20 cs.CL
Dynamic Strategy Chain: Dynamic Zero-Shot CoT for Long Mental Health Support Generation
Jiangxi University of Finance and Economics(江西财经大学)
针对零样本思维链提示在心理健康长咨询文本生成中缺乏策略、无法个性化的问题,提出动态策略链方法,通过GPT2动态生成适配策略引导大模型生成回复,性能优于传统零样本思维链方法。
2023-08-21 cs.AI cs.CL cs.HC
Large Language Model for Mental Health: A Systematic Review
University College London(伦敦大学学院)
本系统综述遵循PRISMA指南评估了大语言模型在心理健康领域的应用,指出其在筛查、干预等方面的效果,同时揭示了数据、准确性、可解释性及伦理等风险,强调其作为临床辅助工具的潜力与持续研发的必要性。
2024-08-12 cs.AI cs.CL cs.CY
Privacy Aware Question-Answering System for Online Mental Health Risk Assessment
University of Southern California(南加州大学)
本研究提出一种基于Unified-QA模型的问答式心理健康风险评估方法,通过差分隐私实现训练过程匿名化,在两个大型数据集上验证了方法有效性,且隐私保护带来的性能下降不足1%。
2023-06-09 cs.AI cs.CL cs.HC
MentalChat16K: A Benchmark Dataset for Conversational Mental Health Assistance
University of Pennsylvania(宾夕法尼亚大学)
MentalChat16K是一个结合合成咨询与匿名干预记录的英文基准数据集,涵盖多种心理健康状况,旨在促进对话式心理健康辅助大语言模型的开发与评估,推动共情个性化AI研究。
2025-06-02 cs.AI cs.CL cs.CY
MindGuard: Towards Accessible and Sitgma-free Mental Health First Aid via Edge LLM
California Institute of Technology(加州理工学院);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
针对精神障碍干预率低、污名化阻碍求助的问题,研究提出搭载边缘LLM的移动心理健康系统MindGuard,融合传感器数据与评估记录提供个性化服务,效果媲美GPT-4且优于更大规模模型,为无污名化的可及心理健康支持开辟新路径。
2024-09-16 cs.AI cs.CL cs.HC
PsyEval: A Suite of Mental Health Related Tasks for Evaluating Large Language Models
Shanghai Jiao Tong University(上海交通大学);Shanghai Jiao Tong University School of Medicine(上海交通大学医学院);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
本文提出首个心理健康任务综合评估套件PsyEval,包含五个子任务评估三个关键维度,对十二个先进LLMs的测试揭示了当前模型不足及未来优化方向。
2024-06-03 cs.CL
Mental-R1: Aligning LLM Reasoning for Mental Health Assessment
University of Oxford(牛津大学);Oxford Suzhou Centre for Advanced Research(牛津大学苏州高等研究院)
提出认知相对策略优化(CRPO)框架,通过阶段依赖不确定性建模和熵正则化机制,使LLM推理对齐人类认知过程,在8个心理健康数据集上加权F1平均提升10.4个百分点。
2026-10-05 cs.AI
Leveraging LLMs for Translating and Classifying Mental Health Data
Department of Computer Science and Engineering, University of Ioannina(计算机科学与工程系,希腊伊奥亚纳大学);LT3, IDLab, Universiteit Gent(LT3,IDLab,比利时根特大学);Department of Informatics, Athens University of Economics and Business(信息系,希腊经济与商业大学);Archimedes/AthenaRC, Greece(阿基米德/阿提卡RC,希腊)
本研究利用大语言模型在希腊语中检测抑郁症严重程度,发现GPT3.5-turbo在非英语语言中的表现不一致,强调了进一步研究和人类监督的重要性。
2026-10-14 cs.CL
Understanding Student Sentiment on Mental Health Support in Colleges Using Large Language Models
Stevens Institute of Technology(史蒂文斯理工学院)
本文基于 Student Voice Survey 构建 SMILE-College 情绪数据集,比较传统机器学习与 LLM,发现 GPT-3.5 和 BERT 表现最佳,为高校心理健康支持评估提供数据驱动方法。
2024-11-18 cs.AI cs.CL cs.CY
Mental Health Equity in LLMs: Leveraging Multi-Hop Question Answering to Detect Amplified and Silenced Perspectives
University of Maryland Baltimore County(马里兰大学巴尔的摩分校);Stanford University and Amazon AI(斯坦福大学和亚马逊人工智能)
本研究提出多跳问答框架检测大语言模型在心理健康话语中的交叉性偏见,评估四个模型并采用两种去偏技术实现66%-94%的偏见减少,为公平AI发展提供洞见。
2025-06-22 cs.AI cs.CL cs.CY
A Systematic Evaluation of LLM Strategies for Mental Health Text Analysis: Fine-tuning vs. Prompt Engineering vs. RAG
Texas State University(德克萨斯州立大学)
本研究系统比较了LLMs在心理健康文本分析中的三种策略,发现Fine-tuning准确率最高但资源消耗大,而Prompt Engineering和RAG部署灵活但性能适中,为实际应用提供了权衡参考。
2025-03-31 cs.AI cs.CL cs.IR
MentalMARBERT: Domain-Adaptive Pre-training and Two-Stage Fine-Tuning for Arabic Mental Health Disorders Detection
King Abdulaziz University(阿卜杜勒阿齐兹国王大学)
针对阿拉伯语社交媒体文本中心理健康障碍检测的方言差异、非正式语言、标注资源有限和类别不平衡问题,提出领域自适应预训练与两阶段微调框架,构建含5万条推文的数据集,MentalMARBERT在宏F1和准确率上分别达到0.861和0.877。
2026-06-12 cs.CL
PRiME: Pragmatic Reasoning In MEntal health
Sneha Oram(独立研究者)
本文提出PRiMH数据集及心理健康语用推理任务,评测多个大语言模型的推理能力,并研究其对心理健康污名的处理表现。
2026-10-22 cs.CL
Reasoning Is Not All You Need: Examining LLMs for Multi-Turn Mental Health Conversations
Georgia Institute of Technology(佐治亚理工学院)
本文提出MedAgent框架生成多轮心理健康对话数据集MHSD,并构建MultiSenseEval评估框架,发现前沿推理模型在患者中心沟通和高级诊断上表现不佳,且性能随对话轮次增加而下降。
2025-05-28 cs.CL
Mentalic Net: Development of RAG-based Conversational AI and Evaluation Framework for Mental Health Support
Texas State University(德克萨斯州立大学)
本研究开发了基于RAG框架、结合提示工程与微调的心理健康支持对话AI Mentalic Net,构建多维度评估体系验证其性能达标,倡导以人在回路的负责任策略开发此类技术。
2025-08-27 cs.CL
MentaLLaMA: Interpretable Mental Health Analysis on Social Media with Large Language Models
The University of Manchester(曼彻斯特大学);Jiangxi Normal University(江西师范大学);Yale University(耶鲁大学);Wuhan University(武汉大学)
针对大语言模型在心理健康分析中零样本性能差且缺乏开源可解释模型的问题,构建了10.5万样本的IMHI数据集,并基于LLaMA2训练出首个开源的MentalLLaMA模型,在正确性和解释质量上均达到先进水平。
2024-02-04 cs.CL
An Assessment on Comprehending Mental Health through Large Language Models
Lua Health
本研究针对大语言模型在心理健康领域的应用空白,评估其理解自然语言中心理健康表达的能力,对比发现BERT、XLNet等transformer模型在DAIC-WOZ数据集上表现优于Llama-2和ChatGPT。
2024-02-02 cs.CL
Large Language Models for Mental Health Diagnostic Assessments: Exploring The Potential of Large Language Models for Assisting with Mental Health Diagnostic Assessments -- The Depression and Anxiety Case
Indian Institute of Research and Science, Bhopal(博帕尔印度研究与科学学院);Indian Institute of Technology, Kharagpur(克勒格布尔印度理工学院)
本文研究利用LLMs辅助PHQ-9和GAD-7诊断评估,通过提示与微调技术使模型遵循标准诊断流程,并验证其与专家诊断的一致性。
2025-01-02 cs.CL
CARE-MH: Towards Unified, Reproducible, and Comparable Evaluation of Mental Health LLMs
Purdue University(普渡大学);Yixue Research Institute(益学研究院)
研究针对心理健康语言模型评估难重现、难比较的问题,提出CARE-MH统一框架,通过重现分析现有基准,发现可重复性取决于模型稳定性,跨基准分歧源于指标定义差异,强调了标准化评估配置和共享指标定义的必要性。
2026-07-29 cs.AI cs.HC
Mental-LLM: Leveraging Large Language Models for Mental Health Prediction via Online Text Data
Massachusetts Institute of Technology(麻省理工学院);University of Washington(华盛顿大学);Rensselaer Polytechnic Institute(伦斯勒理工学院);Stanford University(斯坦福大学);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);Northeastern University(东北大学)
本研究评估多种LLM在心理健康预测任务上的表现,发现指令微调可显著提升性能,微调后的小模型性能超越大参数规模的GPT-3.5、GPT-4,比肩任务专用SOTA模型,同时指出相关局限与伦理风险。
2024-01-28 cs.CL
MHINDR -- a DSM5 based mental health diagnosis and recommendation framework using LLM
TCS Research(塔塔咨询服务研究)
本研究提出整合DSM-5标准的大语言模型框架MHINDR,通过提取时间信息与心理特征分析用户文本,辅助诊断并生成适配多场景的个性化心理健康干预建议。
2025-09-30 cs.AI cs.IR cs.SI
Automated Multi-Label Annotation for Mental Health Illnesses Using Large Language Models
Compumacy for Artificial Intelligence Solutions(Compumacy人工智能解决方案公司);Saint Elizabeths Hospital(圣伊丽莎白医院)
针对社交媒体精神健康数据多为单标签、难以刻画共病的问题,提出基于 LLM 合成标注与多提示评估的数据集构建方法,并构建多标签数据集 SPAADE-DR。
2024-12-05 cs.AI
Automatic Evaluation of Mental Health Stigma in Online Communication
The University of Melbourne(墨尔本大学);University of Tübingen(图宾根大学)
本研究提出一个基于理论的心理健康污名自动评估基准,涵盖细粒度分类法,并评估大型语言模型,发现现有模型难以准确捕获污名,LLM需明确规则以避免过度预测。
2026-10-05 cs.CL
FedMentalCare: Towards Privacy-Preserving Fine-Tuned LLMs to Analyze Mental Health Status Using Federated Learning Framework
University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
FedMentalCare通过联邦学习与低秩适应技术,在保护隐私的同时微调大语言模型,用于分析心理健康状况,提升心理健康护理的可行性和安全性。
2026-01-24 cs.CL cs.HC cs.LG
Building Multilingual Datasets for Predicting Mental Health Severity through LLMs: Prospects and Challenges
University of Ioannina(约阿尼纳大学);Universiteit Gent(根特大学);Athens University of Economics and Business(雅典经济与商业大学);Archimedes/AthenaRC(阿基米德/雅典娜研究中心)
本文提出通过多语言数据集评估LLMs在心理健康严重程度预测中的性能,揭示了多语言环境下模型表现的差异及潜在风险。
2026-10-14 cs.CL cs.LG
mind_call: A Dataset for Mental Health Function Calling with Large Language Models
School of Computing, Queen’s University Kingston(计算学院,女王大学金斯顿)
mind_call数据集通过合成功能调用任务,为大语言模型在心理健康领域的应用提供支持,涵盖多种自然语言查询与标准化API调用的映射,促进意图识别和可靠功能调用的研究。
2026-01-11 cs.AI cs.LG
Domain-Specific Constitutional AI: Enhancing Safety in LLM-Powered Mental Health Chatbots
本文提出利用领域特定心理健康原则的宪法AI训练方法,以提升心理健康聊天机器人在安全性和领域适应性方面的表现。
2026-10-23 cs.AI cs.CL cs.LG
Harnessing Large Language Models for Mental Health: Opportunities, Challenges, and Ethical Considerations
Bournemouth University(伯恩茅斯大学)
本文探讨大型语言模型在心理健康护理中的变革潜力,分析其提升可及性与个性化等机遇,同时指出数据隐私、偏见等挑战,倡导创新与伦理责任并重的多学科协作路径。
2024-12-13 cs.AI cs.CY cs.LG
Enhancing Mental Health Support through Human-AI Collaboration: Toward Secure and Empathetic AI-enabled chatbots
University at Albany, SUNY(纽约州立大学奥尔巴尼分校);SUNY Downstate Health Sciences University(纽约州立大学唐斯泰特健康科学大学)
针对心理健康支持可及性有限的问题,研究评估了GPT v4等大语言模型聊天机器人的共情回应能力,提出结合联邦学习与临床验证的框架以解决隐私、偏见等问题,开发安全可信的AI心理健康支持工具。
2024-09-17 cs.AI cs.CY cs.HC
The Typing Cure: Experiences with Large Language Model Chatbots for Mental Health Support
Georgia Institute of Technology(佐治亚理工学院)
基于21位全球用户的访谈,研究人们使用LLM聊天机器人进行心理健康支持的真实体验,提出“治疗对齐”概念,并为伦理有效的AI心理健康工具设计提供建议。
2025-05-09 cs.AI cs.CY cs.HC
A Conditional Companion: Lived Experiences of People with Mental Health Disorders Using LLMs
Center for Advanced Internet Studies Bochum Germany;Center for Advanced Internet Studies \& University of Wuppertal Bochum Germany;Center for Advanced Internet Studies;Center for Advanced Internet Studies \& University of Wuppertal
研究探讨了心理健康障碍者使用LLMs的亲身经历,发现其条件性使用与界限设定,提出设计和治理方向以确保LLMs在心理健康支持中的安全应用。
2026-02-11 cs.AI cs.CY cs.HC
Human-computer interactions predict mental health
Helen Wills Neuroscience Institute, University of California Berkeley, USA(加州大学伯克利分校海伦·威尔斯神经科学研究所);Max Planck UCL Centre for Computational Psychiatry and Ageing Research, London, UK(马克斯·普朗克伦敦大学学院计算精神病学与衰老研究中心);Department of Psychology, University of California Berkeley, USA(加州大学伯克利分校心理学系);Vision Science Group, University of California Berkeley, USA(加州大学伯克利分校视觉科学组)
研究通过 MAILA 框架利用日常人机交互数据预测心理健康状态,实现高精度的数字表型分析。
2026-08-20 cs.AI cs.HC q-bio.NC
Can Artificial Intelligence Support Healthcare and Mental Health Through Early Cyberbullying Detection ? The Impact of Emotion-Aware AI on Proactive Online Safety
Faculty of Computer Science, University of New Brunswick(新不伦瑞克大学计算机科学学院);Khoury College of Computer Sciences, Northeastern University(东北大学库里计算机科学学院)
本文提出CareGuard框架,结合零样本语义标注与微调Transformer模型及情感感知过滤,实现高效准确的早期网络欺凌检测,以支持心理健康保护和主动在线安全。
2026-09-10 cs.AI cs.CL
Detecting Emotion Drift in Mental Health Text Using Pre-Trained Transformers
Author(作者)
本研究利用预训练变换器模型检测心理健康文本中的情绪变化,通过分析句子层面的情感来识别情绪漂移模式。
2025-12-15 cs.AI cs.CL
WellXplain: Wellness Concept Extraction and Classification in Reddit Posts for Mental Health Analysis
Mayo Clinic(梅奥诊所)
针对心理健康分析需求,该研究提出将社交媒体健康维度识别转化为健康概念提取分类任务,构建了含3092条目的WELLXPLAIN数据集并制定标注框架,旨在推动医疗领域专用概念提取分类语言模型的研发。
2023-08-25 cs.AI cs.CL
Examining the Mental Health Impact of Misinformation on Social Media Using a Hybrid Transformer-Based Approach
提出 RoBERTa-LSTM 混合 Transformer 方法,用于错误信息检测、心理健康影响评估及相关障碍分类,并通过准确率和卡方检验证实错误信息与心理恶化相关。
2025-06-07 cs.AI cs.CL
Quantifying Mental Health from Social Media with Neural User Embeddings
INESC-ID Lisboa(里斯本INESC-ID研究所);Instituto Superior Técnico(高等技术学院);Universidade de Lisboa(里斯本大学);Qntfy(Qntfy公司);Universidade Europeia(欧洲大学);Northeastern University(东北大学)
精神疾病对全世界很大一部分人口产生不利影响。然而,传统上用于估计和描述精神健康状况流行程度的方法既耗时又昂贵。因此,关于精神健康状况流行率的现有最佳估计数往往已经过时多年。自动化的方法,以补充这些调查方法与广泛的,汇总的信息来自社会媒体内容提供了一个潜在的手段,近实时估计规模。反过来,这些可以为支持、评估和反复改进公共卫生方案和干预措施提供有利条件。我们提出了一个新的模型,自动化的心理健康状态量化,结合用户嵌入。这建立在最近的工作探索表示学习方法,诱导嵌入利用社会媒体后的历史。这样的嵌入捕捉个体的潜在特征(例如,政治倾向),并编码一个软概念的同质性。在这篇论文中,我们调查了从twitter历史记录中学习到的用户嵌入是否编码了与心理健康状态相关的信息。为此,我们估计用户嵌入一组已知的受抑郁症和创伤后应激障碍(PTSD),并为一组人口统计学匹配的“控制”用户。然后,我们评估了这些嵌入:(i)它们捕获与心理健康状况有关的同性恋关系的能力;以及(ii)基于这些特征的下游心理健康预测模型的性能。我们的实验结果表明,用户嵌入捕捉用户之间的相似性,心理状况,并预测心理健康。
2017-04-30 cs.AI cs.CL cs.SI
SMHD: A Large-Scale Resource for Exploring Online Language Usage for Multiple Mental Health Conditions
Georgetown University(乔治城大学);Ghent University(根特大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
心理健康是一个重要的和日益增长的公共卫生问题。由于可以利用语言使用来获得对心理健康状况的重要见解,因此需要被诊断患有一种或多种此类状况的用户的大规模标记的心理健康相关数据集。在本文中,我们研究了高精度模式的创建,以识别九种不同心理健康状况的自我报告诊断,并获得高质量的标记数据,而无需手动标记。我们介绍了SMHD(自我报告的心理健康诊断)数据集,并使其可用。SMHD是一个新的大型社交媒体帖子数据集,来自具有一种或多种心理健康状况的用户以及匹配的对照用户。我们通过语言学和心理学变量来考察用户语言的差异。我们进一步探索文本分类方法,以通过他们的语言识别患有精神疾病的个人。
2018-07-10 cs.CL
MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Microsoft Research Asia(微软亚洲研究院);Stanford University(斯坦福大学)
本文提出MentalArena自博弈框架,通过生成个性化数据训练语言模型,并结合Symptom Encoder与Symptom Decoder模拟患者并纠正交互偏差,在心理健康诊断与治疗任务上显著超越GPT-4o等先进模型。
2025-02-05 cs.AI cs.CL cs.MA
MentSum: A Resource for Exploring Summarization of Mental Health Online Posts
Georgetown University(乔治城大学)
精神卫生仍然是全世界公共卫生的一个重大挑战。随着在线平台的日益普及,许多人使用这些平台分享他们的心理健康状况,表达他们的感受,并寻求社区和咨询师的帮助。其中一些平台,如Reachout,是用户注册寻求帮助的专用论坛。其他人,如Reddit,提供子Reddit,用户公开但匿名发布他们的心理健康困扰。虽然帖子的长度各不相同,但提供一个简短但信息丰富的摘要是有益的,以便辅导员快速处理。为了促进对心理健康在线帖子总结的研究,我们引入了心理健康总结数据集MentSum,其中包含来自Reddit的超过24,000个精心挑选的用户帖子,以及来自43个心理健康子Reddit的简短用户书面摘要(称为TLDR)。这个特定领域的数据集不仅可以在Reddit上生成简短的摘要,还可以在专门的心理健康论坛(如Reachout)上生成帖子摘要。我们根据Rouge评分进一步评估了提取和抽象的最先进摘要基线,最后对用户编写和系统生成的摘要进行了深入的人类评估研究,突出了本研究中的挑战。
2022-06-02 cs.CL
Risks from Language Models for Automated Mental Healthcare: Ethics and Structure for Implementation
Northwestern University(西北大学);Stanford University(斯坦福大学)
本文针对自动化心理健康护理AI的伦理与实践挑战,提出含自主级别、伦理要求和默认行为的结构化框架,经临床医生评估14个主流语言模型发现其未达专业标准、存在安全风险,呼吁开发者按准则优化以保障用户安全。
2024-08-14 cs.AI cs.CL cs.CY
mhGPT: A Lightweight Generative Pre-Trained Transformer for Mental Health Text Analysis
Children’s National Hospital(儿童国家医院);George Washington University(乔治·华盛顿大学)
本研究提出轻量级生成式预训练Transformer模型mhGPT,通过整合多元心理健康数据、自定义分词器并优化小模型架构,在低算力、少数据条件下实现了优于大模型的心理健康文本分析性能,助力低资源地区的AI心理健康护理发展。
2024-08-15 cs.CL
Robust language-based mental health assessments in time and space through social media
Stony Brook University(石溪大学);Stanford University(斯坦福大学);University of Pennsylvania(宾夕法尼亚大学)
与身体健康相比,美国的人口心理健康测量非常粗粒度。目前,在最大规模的人口调查中,例如由疾病控制中心或盖洛普进行的调查,心理健康仅通过“精神不健康的日子”或“悲伤”来广泛获取,并仅限于相对不常见的州或大都市估计。通过对社交媒体数据的大规模分析,在更高的分辨率下,对人口心理健康的稳健估计是可行的,最高可达每周一次的估计。在目前的工作中,我们验证了一个管道,该管道使用来自200万地理定位用户的12亿条推文样本来估计两种主要心理健康状况(抑郁和焦虑)的心理健康变化。我们发现基于语言的心理健康评估和盖洛普调查分数之间存在中度到重度的关联,这些关联具有多个粒度级别,一直到县周(固定效应$β= .25$到$1.58$ ; $p<.001$)。基于数据的评估允许在每周的时间尺度上对人口心理健康进行具有成本效益和可扩展的监测。这种空间上细粒度的时间序列非常适合于监测社会事件和政策的影响,并使人口健康和其他学科的准实验性研究设计成为可能。除了美国的心理健康,这一方法可推广到一系列广泛的心理结果,并允许在资源不足的环境中进行社区测量,因为在这种环境中,没有传统的调查措施-只有社交媒体数据-可用。
2023-02-25 cs.CL
RSDD-Time: Temporal Annotation of Self-Reported Mental Health Diagnoses
Georgetown University(乔治城大学);Ghent University(根特大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);National Institutes of Health(美国国立卫生研究院)
自我报告的诊断声明已被广泛用于研究社交媒体中与心理健康相关的语言。然而,现有的研究在很大程度上忽视了心理健康诊断的时间性。在这项工作中,我们引入了RSDD-Time:一个新的数据集,包含来自Reddit的598个手动注释的自我报告的抑郁症诊断帖子,其中包括有关诊断的时间信息。注释包括是否存在心理健康状况以及最近的诊断发生时间。此外,我们还包括与诊断日期相关的确切时间跨度。这些信息对于通过社交媒体检查心理健康的各种计算方法是有价值的,因为一个人的心理健康状态不是静态的。我们还测试了一些基线分类和提取方法,这表明从自我报告的诊断陈述中提取时间信息是具有挑战性的。
2018-06-20 cs.CL
Multi-Task Learning for Mental Health using Social Media Text
Johns Hopkins University(约翰斯·霍普金斯大学);Microsoft Research(微软研究院);University of Copenhagen(哥本哈根大学)
我们介绍了在深度学习框架中估计自杀风险和心理健康的初步基础。通过对多个条件进行建模,该系统能够以较低的误报率对自杀风险和心理健康进行预测。条件被建模为多任务学习(MTL)框架中的任务,性别预测作为一个额外的辅助任务。我们证明了多任务学习的有效性相比,一个良好的调整单任务基线相同数量的参数。我们最好的MTL模型预测了潜在的自杀企图,以及非典型心理健康的存在,AUC > 0.8。我们还发现,在训练数据有限的情况下,对心理健康任务使用多任务学习也有很大的改进。
2017-12-10 cs.CL
Exploring Profiles of Cognitive Distortions Associated with Mental Health Disorders
Institute of Computer Science(计算机科学研究所);University of Tartu(塔尔图大学)
本研究使用基于n-gram和微调Transformer模型的方法,分析Reddit数据中九种自我报告心理健康群体与对照组的认知扭曲,发现心理健康群体扭曲程度更高,且不同群体间扭曲模式相似,表明简单词汇方法可用于大规模心理健康文本的群体趋势探索。
2026-05-24 cs.CL