研究人员开发了一个新颖的框架，以改进AI系统的抑郁症症状标注，解决了标签缺乏结构化证据或与诊断标准不明确对齐的常见问题。这个自演化、专家在环系统结合了大型语言模型辅助和人工验证，为心理健康研究创建更可靠和可解释的数据集。该框架分三个阶段运行，包括证据选择、DSM-5-TR分析和病例级综合，并具有双记忆架构，用于内化专家反馈以进行迭代改进，无需重新训练。 AI
影响 通过提高训练数据的质量，该框架可能带来更可靠和可解释的心理健康研究AI模型。
排序理由 该集群包含一篇详细介绍AI标注新框架的学术论文。
在 arXiv cs.MA (Multiagent) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.15202v1 Announce Type: new Abstract: Annotation quality is a major bottleneck in building reliable and explainable artificial intelligence (XAI) systems for mental health research. In depression-related datasets, labels are often assigned without structured evidence, s…
Annotation quality is a major bottleneck in building reliable and explainable artificial intelligence (XAI) systems for mental health research. In depression-related datasets, labels are often assigned without structured evidence, symptom-level justification, or traceable alignme…