大规模语言模型中的情感信息驱动的联想学习：通过语音检测心理健康状况

《npj Mental Health Research》：Emotion-informed associative learning in large language models for mental health detection from speech

　　

摘要

在非临床、不寻求帮助的人群中早期发现心理健康风险一直是一个持续的挑战。我们研究了大型语言模型（LLMs），利用标准化的言语任务来识别具有高心理健康疾病风险的个体。由于自我披露程度有限以及缺乏合适的训练数据，LLMs在处理自然、非陈述性的言语时表现不佳。为了解决这个问题，我们提出了结合人工智能决策的潜在情感代理模型（LEMon-AID），这是一个多步骤的引导框架，它利用LLMs的情感分析能力，并与机器学习模型的输出相结合。这使得LLMs能够将情感特征与心理健康标签关联起来，从而将准确率（AUC）从0.55显著提升至0.67。尽管还有进一步提升的空间，但这种新颖的混合设计引入了分层推理机制，提高了性能，同时增强了可解释性并保护了数据隐私。我们的结果表明，具有情感意识的引导方式，再加上跨模型集成，能够改善早期风险检测和LLMs的可解释性。