标签
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。