Depression Detection on Social Media with Large Language Models

本篇文章属于LLM系列内容，旨在对《Depression Detection on Social Media with Large Language Models》这一文献进行翻译工作。

基于大型语言模型的社交媒体抑郁检测

• 摘要
  • 1 引言
  • 2 相关研究
  • 3 技术手段
  • 4 实验分析
  • 5 总结与后续方向
  • 不足之处

摘要

抑郁症所带来的负面影响不容忽视。然而，由于公众对心理健康认知不足以及对社会偏见的担忧，大量患者未能及时接受专业评估与治疗，从而引发了诸多不良后果。抑郁症的识别工作致力于通过分析个体在社交平台上的内容记录，判断其是否可能罹患该疾病，此举对于实现疾病的早期识别与及时干预具有重要意义。当前该领域主要面临两大核心难题：第一，需要具备专业的医学背景知识；第二，则要求具备较高的识别准确率以及良好的模型可解释性。为应对上述问题，我们融合医学专业知识与大型语言模型（LLM）的最新技术成果，构建了一套全新的抑郁症检测体系——DORIS。具体而言，在解决第一个问题方面，我们设计了一种依托LLM的机制，首先对存在潜在风险的内容进行标注，并判断其是否符合临床诊断标准。同时，我们还筛选出情绪表达强烈的内容，并结合用户过往的情绪变化趋势提取关键信息，即所谓的情绪演变轨迹。针对第二个难题，通过对多个基准数据集进行广泛实验验证