基于大型语言模型的自传体记忆自然语言处理在自杀预测与心理健康评估中的创新应用

来自某研究团队的研究人员开展了一项利用大型语言模型（LLM）分析自传体记忆叙述的研究，旨在解决当前心理健康评估中主观性强、存在人为偏差的问题。研究结果表明，自传体记忆的情感效价能够有效预测抑郁、自杀意念及既往自杀行为，并与自杀三步骤理论中的核心要素（如绝望感、缺乏联结感）显著相关。该研究通过先进计算技术实现了高精度预测，为自杀风险评估提供了可扩展的客观方法，对心理健康领域的临床干预具有重要指导意义。

　　

自传体记忆（Autobiographical Memory）作为回顾个人经历的关键认知过程，与心理健康密切相关。抑郁障碍（Depressive Disorders）患者通常表现出过度概括化和消极的记忆模式，这种模式会损害其未来导向思维并加剧绝望感。目前的自传体记忆评估方法存在主观性强、易受人为偏差限制的缺陷。本研究应用基于大型语言模型（LLM）的自然语言处理（NLP）技术，对自传体记忆叙述进行分析，发现其情感效价（Valence）可预测抑郁、自杀意念（Suicidal Ideation）以及先前的自杀企图（Suicide Attempts）。此外，情感效价还与自杀三步骤理论（Three-Step Theory of Suicide）中的核心成分（如绝望感、缺乏联结性）存在显著关联。通过整合先进的计算技术，该方法展现出较高的预测准确性，并为自杀风险评估提供了一种可扩展、客观的分析策略。这些发现突显了基于LLM的分析在增强心理评估、指导临床干预方面的潜力，为心理健康领域的创新应用铺平了道路。