Depression Detection on Social Media with Large Language Models

这段摘要提到了抑郁症的危害，但由于缺乏心理健康意识和对社会污名的恐惧，许多患者不会积极寻求诊断和治疗，导致不良后果。抑郁症检测旨在通过分析个人在社交媒体上的帖子历史记录来确定其是否患有抑郁症，这可以在早期检测和干预方面提供极大的帮助。它主要面临两个关键挑战：1）需要专业的医学知识，2）需要高精度和可解释性。为了解决这个问题，作者提出了一种新的抑郁症检测系统DORIS，结合了医学知识和最近大型语言模型（LLMs）的进展。具体而言，为了解决第一个挑战，作者提出了一种基于LLM的解决方案，首先注释高风险文本是否符合医学诊断标准。此外，作者检索高情感强度的文本，并从用户的历史情绪记录中总结关键信息，称为情绪课程。为了解决第二个挑战，作者结合LLM和传统分类器，将医学知识引导的特征整合到模型中，模型还可以解释其预测结果，实现高精度和可解释性。基准数据集上的大量实验结果表明，与当前最佳基线相比，作者的方法在AUPRC上提高了0.036，可以认为是显著的，证明了作者的方法的有效性和作为自然语言处理应用的高价值。

提出了一种结合医学知识和大型语言模型的抑郁症检测系统，旨在解决抑郁症患者因缺乏心理健康意识和对社会歧视的恐惧而不积极寻求诊断和治疗的问题。

通过大型语言模型对高危文本进行标注，检查是否符合医学诊断标准，并提取情感强度高的文本和用户历史情绪记录的关键信息，结合传统分类器和医学知识指导特征，实现高准确性和可解释性的抑郁症检测。

论文在基准数据集上进行了广泛的实验，相比当前最佳基线，AUPRC提高了0.036，具有显著的改进，证明了该方法的有效性和高价值作为自然语言处理应用。

最近的相关研究包括：1）使用深度学习技术进行情感分析；2）使用社交媒体数据进行心理健康分析；3）使用自然语言处理技术进行抑郁症检测。