标签
EviDial 引入了一个基准测试，在抑郁对话评估中将标签一致性与基于证据的评估分离开来。研究发现，82.8% 的参与者-症状单元缺乏充分的文本证据，而在看似正确的 LLM 预测中，69.2% 至 96.9% 实际上并没有对话内容作为支撑。
MERID 是一个多模态抑郁症分析框架，通过经验驱动的递归自我改进智能体自动探索和优化检测流水线，在多个抑郁症基准上取得领先结果。
本文提出一种透明框架，将语音声学特征与DSM-5抑郁指标相关联，实现可解释的检测。该框架在商品硬件上本地运行以保护隐私。
HiMA-MDD引入了一个层级多代理系统，用于解释多模态临床访谈以检测抑郁症，在E-DAIC数据集上实现了最先进的性能。
一种新颖的、不依赖患者的自动抑郁症检测多模态框架，整合了BiLSTM与模态内和跨模态注意力机制以及域对抗训练，以提高跨说话人的泛化能力。在Androids-Corpus数据集上达到了93.2%的先进准确率。
本文研究了使用大语言模型（LLMs）和监督分类器从社交媒体文本中检测抑郁症的方法，提出了一种基于提示的嵌入方法以增强可解释性。在多个数据集上的实验表明，零样本LLMs在二分类任务中表现良好，但在细粒度严重程度分类上表现不佳；而基于LLM摘要嵌入的监督模型在多分类和有序分类任务中取得了更一致的表现。
本文提出PTTSD，一种从临床访谈转录中检测抑郁症严重程度的概率框架，该框架对不确定性进行建模并提供时间可解释性，在基准数据集上取得了具有竞争力的性能。
提出了一种细粒度多模态框架，采用 Binary Advantage-weighting Ranking Loss 进行自动抑郁检测，在 D-vlog 和 LMVD 数据集上取得了最先进的结果。
本文研究了对话时间动态（话轮对时序）作为一种轻量级模态，用于从双人临床访谈中自动检测抑郁。结果表明，一个紧凑的24维时序模块表现出色，并且在融合时能够补充标准的声学和语义特征。
本文介绍了CLeaD，一种使用WavLM嵌入进行跨语言语音抑郁检测的监督对比对齐框架。它揭示了先前结果因说话人身份信息泄露而被夸大的事实，并在普通话说话人上取得了适度改进。
本文介绍了DEPOOL，一个受控基准，评估了六种时序聚合架构在六种冻结语音主干网络上的表现，用于双人交互中的抑郁检测，发现许多配置会坍缩为单类别预测，并且鲁棒性应作为一个关键标准。
本文介绍了评分引导分类（SGC），这是一种利用无监督生成网络对基于EEG的抑郁症检测中的病理先验进行建模的框架，避免了合成数据增强，并提高了分类准确性。
本文提出了一种混合模型，将DistilBERT嵌入与全息约简表示向量相结合，编码认知语言特征（第一人称代词、绝对化词语、负面情绪比率），用于检测Reddit帖子中的抑郁症，取得了0.94的宏F1值，并表明理论驱动的特征能够补充上下文嵌入，为可解释的心理健康自然语言处理提供支持。
本文比较了应用于基于EEG的抑郁症检测的InceptionTime模型的几种事后可解释性方法，发现方法之间部分收敛，同时强调了方法学上的差异性和局限性。
本文通过四个互补探针对五个数据集（DAIC/E-DAIC、CMDC、ANDROIDS、MODMA和PDCH）中的临床访谈抑郁检测基准评估进行审计，发现标准评估协议可能高估模型性能，且排行榜排名缺乏稳定性。
提出了一种使用LangChain智能体的智能体框架，用于大规模人群心理健康筛查，重点关注从临床转录中检测抑郁症。该框架逐步锁定已验证的阶段，并使用代理引导的评估来确保可信度和适应性。
研究者提出一种零样本LLM系统，通过Reddit帖子评估抑郁风险，在F1得分上表现优异，展示了可扩展的心理健康监测能力。