基于语料库自适应症状原型学习的社交媒体抑郁检测研究
《Electronics》:Corpus-Adaptive Symptom Prototype Learning for Social-Media Depression Detection
【字体:
大
中
小
】
时间:2026年10月13日
来源:Electronics 2.9
摘要
基于精神科量表指导的筛查在社交媒体抑郁检测方面已显示出前景,但现有方法大多将临床症状模板视为固定输入,并专注于改进筛查或分类架构。相反,我们研究症状表示本身能否在保留精神科先验知识的同时适应社交媒体语言。固定的临床模板与在线表达之间存在三个关键的不匹配之处:正式语言与口语化语言的差异、对平台特定信号覆盖有限,以及可能削弱语义匹配的语言距离。为了解决这些不匹配问题,我们提出了语料库自适应症状原型学习(Corpus-Adaptive Symptom Prototype Learning),该方法通过语义聚类、症状提取、精炼与去重,以及社交媒体风格重写,从抑郁用户的训练帖子中派生出互补的症状原型。学习到的原型与现有的精神科模板相结合,并以即插即用的方式集成,无需修改下游检测架构。在 eRisk2017 和 eRisk2018 数据集上,基于五种结构多样的检测骨干网络的实验表明,所提出的表示方法在所有十个数据集 - 骨干网络组合中一致地提升了 F1 值和召回率。消融实验结果进一步表明,性能提升源于语料库导出的症状信息,而不仅仅是大语言模型(LLM)生成的重写,且所有三个原型构建阶段都对性能有所贡献。这些结果表明,适配症状表示而不仅仅是检测架构,为基于精神科量表指导的筛查提供了一种有效且架构无关的扩展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号