评估阿拉伯语危机热线通话中的自杀风险：阿拉伯语和英语大型语言模型的比较

# 在阿拉伯语危机热线通话中评估自杀风险：阿拉伯语与英语大语言模型的对比分析
来源：https://arxiv.org/html/2609.00191  
Rita El Hachem 邮箱：[[email protected]](mailto:[email protected]) 隶属机构：流行病学与人群健康系，贝鲁特美国大学，黎巴嫩贝鲁特  
Mahatab El Hajj 邮箱：[[email protected]](mailto:[email protected]) 隶属机构：Embrace心理健康中心，黎巴嫩贝鲁特  
Lilian Ghandour 邮箱：[[email protected]](mailto:[email protected]) 隶属机构：流行病学与人群健康系，贝鲁特美国大学，黎巴嫩贝鲁特  
Samah Fodeh 邮箱：[[email protected]](mailto:[email protected]) 隶属机构：急诊医学系，耶鲁大学，美国康涅狄格州纽黑文  

###### 摘要  

背景：危机热线通过接线员进行的结构化访谈来评估自杀风险。该过程耗时且依赖于接线员的培训水平与工作负荷。自然语言处理技术可用于辅助自杀风险评估与优先级划分。目前针对阿拉伯语热线通话的研究几乎空白，且极少有研究能在真实热线数据的隐私限制范围内开展工作。  

方法：我们分析了黎巴嫩国家情感支持与自杀预防热线的去标识化文字记录。音频录音保留在热线中心内部。通话现场使用专为黎凡特阿拉伯语设计的语音识别模型进行转录。随后，阿拉伯语命名实体识别模型在本地删除姓名及其他识别信息。仅将去标识化的阿拉伯语文字记录共享给研究团队。接线员记录了哥伦比亚自杀严重程度评定量表中的五项自杀意念条目。我们将这些条目合并为两个二元结果：风险类别与高危类别。同时将文字记录翻译成英文，以便比较基于原始阿拉伯语文本的模型与基于英文译文模型的表现。我们针对每种语料库微调了五个指令微调大语言模型，并以六个Transformer编码器作为基线模型（四个阿拉伯语模型，两个英文模型）。所有模型均在独立测试集上进行评估。  

结果：共纳入383通电话。其中373通可用于风险类别任务，阳性率为52.3%；297通可用于高危类别任务，阳性率为30.0%。最佳阿拉伯语模型在高危任务上达到81.19的宏观F1值与90.61的ROC-AUC值。最佳英文模型达到85.00的宏观F1值与92.59的ROC-AUC值，并识别出88.9%的高危通话。两种语言中表现最佳的模型对高危通话的区分能力均优于风险类别通话。翻译为英文并未降低观察到的最佳性能。  

结论：该模型能够基于去标识化的阿拉伯语文字记录对通话进行两类自杀风险分类。此过程无需将音频传送出热线中心。高危通话的评估结果支持进一步将该模型作为接线员辅助工具进行测试。较轻微的自杀意念反而比更严重的更难区分。  

###### 关键词  
自杀预防，危机热线，大语言模型，黎凡特阿拉伯语  

## 1引言  

2021年全球约有72.7万人死于自杀（世界卫生组织，2025）。热线能在关键时刻触及求助者，往往是在当事人仍处于危机状态且尚未接受任何临床诊疗之际。通话本身似乎也能提供帮助：一项研究发现，来电者在通话结束时痛苦程度与自杀倾向均有所降低（Gould等人，2007）。针对本研究所涉及黎巴嫩热线的评估也发现了相同的痛苦缓解效应（Zeinoun等人，2021）。然而，在热线环境中评估风险依然困难。接线员需通过结构化问卷（通常使用哥伦比亚自杀严重程度评定量表C-SSRS）进行判断，同时承受通话时间压力。一项系统性综述指出，尚无任何单一问卷的准确性足以独立使用（瑞典健康技术评估委员会，2015）。该综述还表明，目前缺乏充分证据证明将问卷与临床医生判断相结合能提升评估效果。员工流动率加剧了这一问题，因为高质量的评估依赖于持续且成本高昂的培训。  

自然语言处理技术或可提供解决方案，相关应用研究正日益增多（Arowosegbe与Oyelade，2023；Castillo-Sánchez等人，2020；Fodeh等人，2017）。现有研究存在两个明显空白：多数研究基于社交媒体帖子或临床笔记，其文本类型与实际工具应用场景存在差异；几乎全部研究局限于英语，学界已呼吁开展多语言及真实服务场景内的研究（Castillo-Sánchez等人，2020）。既往热线研究涵盖英语服务（Broadbent等人，2023；Iyer等人，2022）与中文服务（Su等人，2025；Wang等人，2025）。有一项服务同时提供希伯来语和阿拉伯语支持，但其已发表分析仅涉及希伯来语聊天记录（Grimland等人，2025）。阿拉伯语研究存在明显空白——其口语方言与现代标准阿拉伯语存在显著差异，恰恰体现了危机通话的非正式交流特征。此外，人们对自杀的表述方式受宗教与社会禁忌影响，且存在地域差异。  

黎巴嫩同时具备研究需求与数据条件。全国性调查显示，青少年群体精神障碍患病率高而求助率极低（Maalouf等人，2022；Baroud等人，2019）。首项全国性自杀死亡研究发现，尽管存在强烈的社会禁忌，不同地区与群体间的自杀率仍存在显著差异（Bizri等人，2021）。Embrace机构与公共卫生部国家心理健康项目共同运营国家情感支持与自杀预防热线，这是该国唯一的自杀预防热线。热线通话会被录音，接线员在监督下完成C-SSRS评估，因此存有配对的语音记录与评估数据——这正是模型开发所需的数据资源。然而这些数据高度敏感：来电者处于危机状态，通话中包含识别性信息，且已获得保密承诺。语音录音具有身份识别功能，无法像文本那样编辑隐藏。因此所有音频分析必须在服务系统内部完成。这一限制常被视为研究障碍，而我们将其视为必须满足的需求，并据此设计了整个处理流程。我们的目标是构建并测试一个仅凭去标识化阿拉伯语文字记录即可对通话进行风险分级的模型。同时我们想明确：对于资源匮乏的语言，“先翻译再分类”的常规策略需要付出何种代价。此外，我们还希望描述当风险标签不平衡时模型的失效模式，因为这是决定模型能否安全应用于接线员辅助场景的关键因素。  

本研究有三点贡献：首先，构建并测试了针对阿拉伯语热线通话的风险分类模型；其次，设计了一套可行的处理流程，语音识别与去标识化均在服务系统内部完成，原始录音无需移动；第三，使用相同的数据划分与标签，直接对比阿拉伯语文本与英文译本的建模效果。  

### 1.1相关工作  

自杀风险领域的自然语言处理研究多基于社交媒体帖子或临床笔记（Arowosegbe与Oyelade，2023；Castillo-Sánchez等人，2020；Fodeh等人，2017）。热线通话存在本质区别：对话形式而非书面陈述，风险评估在通话过程中即时进行而非事后回溯分析，标签来自经培训接线员的实时判断而非后续编码。已有数个团队直接研究热线联系：一项研究对基于文本的危机咨询进行风险分级，发现神经网络模型比词频模型更少遗漏高危来电者（Broadbent等人，2023）。另两项研究基于通话音频（而非文本内容）区分低风险与高风险：一项在澳大利亚远程医疗服​​务中使用语音生物标志物，咨询师评级经C-SSRS复核（Iyer等人，2022）；另一项在中国热线服务中运用声学特征（Su等人，2025）。还有研究结合音高特征与深度学习特征分析中文热线通话中的情感表达（Wang等人，2025）。Sahar热线虽提供希伯来语与阿拉伯语服务，但其已发表分析仅涉及希伯来语聊天记录（Grimland等人，2025）。这一空白凸显了阿拉伯语危机通话研究的匮乏。本研究涉及的热线此前已有两项分析：一项评估通话能否降低来电者痛苦程度（Zeinoun等人，2021），另一项建模分析来电者特征与自杀意念、自杀意图及自伤行为的关联（Farran等人，2025），两者均基于接线员填写的结构化字段而非语音内容。据我们所知，本研究有两点创新：1）这是首个针对黎凡特阿拉伯语危机热线通话的自杀风险分类器；2）首次报告完整的处理流程，语音识别与去标识化均在服务系统内部完成，原始录音无需移动。该领域文献综述已呼吁开展英语以外语言及真实服务场景内的研究（Castillo-Sánchez等人，2020）。我们的结果证实了Transformer模型在识别自杀内容方面显著优于随机水平的普遍发现，同时也表明性能在结果定义与模型架构之间存在显著差异。  

## 2方法  

### 2.1研究场景、数据来源与伦理批准  

数据来自黎巴嫩Embrace国家热线（1564）的通话记录。经培训的接线员在临床心理学家督导下接听来电，完成标准C-SSRS评估并将结果录入服务数据库。该热线具有匿名性，通话记录无法与国家身份标识关联。本研究属常规服务数据的二次分析，研究团队未与来电者直接接触。数据访问前已获得伦理批准。通话录音时长需在5至10分钟之间方可纳入研究，该范围排除了极短通话（多为错接、静默或立即挂断的情况）。第4.3节讨论了此筛选条件可能排除的样本。  

### 2.2隐私保护转录与去标识化  

所有语音处理均在热线中心本地完成，仅将脱敏的阿拉伯语文字记录传递给分析团队。采用Whisper系列语音识别模型进行转录（Radford等人，2023）。由于单次通话时长超过模型输入窗口，我们将每段录音分割为重叠片段，合并时删除重复文本。通话使用黎凡特阿拉伯语而非现代标准阿拉伯语，因此采用针对该方言优化的解码设置。转录文本随后经过阿拉伯语命名实体识别模型处理，删除人名、地名、机构名称及其他直接识别信息。文件名中的电话号码段在发布前已移除。完整转录与去标识化代码已在线公开（参见代码可用性章节）。  

### 2.3结果定义  

接线员记录C-SSRS量表的五项自杀意念条目：希望死亡；非特异性主动自杀意念；包含任何方法的主动自杀意念；具有部分行动意图的主动自杀意念；以及具有具体计划和行动意图的主动自杀意念（Posner等人，2011）。每个条目标记为存在或不存在。其他编码包括未询问条目、问卷逻辑跳过条目及来电者未回答条目。按照量表阶梯顺序，我们将条目按严重程度分为两类：两个较低层级（希望死亡与非特异性主动想法）构成*风险类别*；涉及方法、意图或计划的三个条目构成*高危类别*：  

\( y^{\text{at}} = y^{\text{WD}} \lor y^{\text{NA}} \)  (1)  
\( y^{\text{high}} = y^{\text{AM}} \lor y^{\text{IA}} \lor y^{\text{PI}} \)  (2)  

若存在任一较低层级条目，则通话归为风险类别；若存在任一较高层级条目，则归为高危类别。两类覆盖的通话样本存在重叠但不完全相同，我们将其建模为两个独立的是/否分类任务。  

### 2.4缺失标注处理  

并非所有通话都完整记录了五项条目。缺失条目不必然导致分类模糊：若任何已记录条目存在，则无论缺失条目内容如何，该类别均判为阳性。仅当所有已记录条目均不存在且至少有一条目未被记录时，分类结果才取决于缺失条目。我们保留此类规则下分类明确的通话，排除其余样本。这导致风险类别排除32通电话，高危类别排除16通。若将未记录条目视为缺失，这些通话本可保留分析，但可能在旨在检测自杀风险的数据集中引入假阴性结果。这将导致模型偏向遗漏阳性案例，而在本场景中这是后果更严重的误差。  

### 2.5机器翻译  

为对比源语言建模与“翻译再分类”策略，我们使用Qwen/Qwen2.5-72B-Instruct模型在贪心解码下将每份去标识化阿拉伯语文本翻译成英文。随后检查每份英文输出是否完整覆盖原通话。438份转录中存在29份格式错误或不完整，故予以排除。我们同时从两种语言语料库中删除这些通话，而非仅从英文语料库中删除——单方面删除会导致两种语言覆盖不同通话集合，影响对比实验的公平性。  

### 2.6模型训练  

表1列出了所有微调的模型。我们选取五个指令微调大语言模型（LLM）