DSM-5
PulseAugur coverage of DSM-5 — every cluster mentioning DSM-5 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究提出“研究合同”以用于人工智能生成的研究
一项新的研究论文提出“研究合同”来改进对人工智能生成研究的验证。这些合同会将声明的实验选择和声明范围与记录的执行证据绑定起来，将这种与合同相关的验证与科学真理区分开来。一项使用八对干净/变异样本和十八个裁判别名的诊断研究表明，当提供批准和执行的对象时，确定性检查器可以检测到变异，尽管在证据不足时裁判会弃权。
-
新框架将语音声学与抑郁症指标关联
研究人员开发了一个新颖的框架，通过分析语音声学并将其与特定的DSM-5指标关联来检测抑郁症。与传统的客观自我报告相比，这种方法旨在提供更客观和可解释的诊断见解。该系统设计为在本地运行以保护隐私，将音高变异性和语速等特征映射到临床指标，在DAIC-WoZ数据集上的初步结果显示出有希望的关联。
-
新的DIAG框架通过自适应训练提升LLM数学推理能力
研究人员开发了一个名为DIAG（诊断迭代对齐与生成）的新框架，以提高大型语言模型（LLM）在数学推理任务上的对齐效率。该方法通过自适应地重塑问题分布，将训练重点放在模型当前能力水平附近的概念上，从而解决了信号稀疏的问题。DIAG通过两个阶段实现这一目标：诊断有效的偏好对产出，以优先处理高产出概念；以及通过综合学生模型错误的学生模型错误合成变体来生成有针对性的练习题。实验表明，DIAG在固定的训练预算内增加了信息性监督并增强了推理性能。
-
大型语言模型能模拟出合理的患者，但无法代表真实人群
arXiv上发表的一项新研究表明，大型语言模型在被要求模拟心理健康患者时，能够生成个体上合理的病例，但无法代表真实的人群。研究人员测试了GPT-4o mini、Gemini 3 Flash、DeepSeek-V3和GLM-4.7等模型根据人口群体生成患者档案的能力。虽然个体患者模拟在很大程度上符合诊断标准，但聚合后的人群却显示出显著的偏差，包括症状评分虚高、人口统计学差异扭曲以及患者数据再生不稳定。研究人员将这种差异称为“连贯性-保真度分离”。
-
Ben Askren 认为自己有自闭症谱系特征，并将其与摔跤成功联系起来
前摔跤冠军 Ben Askren 分享了他认为自己可能处于自闭症谱系中的看法，尽管他尚未获得正式诊断。他将自己独特的摔跤风格和高度专注归因于这些特征，并指出他的妻子首先建议他可能符合阿斯伯格综合征的标准。Askren 将于 7 月 18 日重返竞技摔跤，这距离他因坏死性肺炎和双肺移植的严重健康危机大约一年。
-
研究使用NLP分析ADHD和ASD推特用户抑郁症状
一项发表在arXiv上的新研究，探讨了在推特上，有自报ADHD和ASD的个体表达抑郁症状的差异。研究人员使用经过微调的MentalRoBERTa模型进行高级自然语言处理，分析了近800名用户超过120万条推文。虽然该模型在症状分类方面取得了较高的F1分数，但其根据语言区分ADHD和ASD用户的能力却比较一般。研究结果表明，一些语言模式倾向于某种疾病而非另一种，但总体症状共现结构在两组之间基本共享。
-
LeNEPA：新的时间序列自监督学习方法减少对数据增强的依赖
研究人员推出了一种新颖的时间序列数据自监督学习方法LeNEPA，该方法不需要数据增强。LeNEPA利用因果骨干网络和下一个潜在标记预测目标，采用基于SIGReg的各向同性正则化以及用于损失计算的轻量级投影空间。在ECG数据和合成诊断语料库上的实验表明，LeNEPA能够更快地获得表示，并且即使在跨不同数据集重用其方法而不进行调整的情况下，也能保持有用的性能增益，在某些场景下优于类似的固定JEPA方法。
-
研究发现：大型语言模型安全防护不足以应对心理健康问题
一篇新近发表在arXiv上的研究评估了大型语言模型（LLMs）在心理健康领域的安全性，结果显示其针对各种DSM-5疾病的防护措施存在显著不足。研究发现，虽然模型在处理自杀和自残问题时表现可靠，但在饮食失调、物质使用障碍和重度抑郁症等疾病方面，其失败率高达100%。研究者们呼吁明确界定伤害类别并制定相应的安全防护措施，以减轻对弱势群体带来的风险，尤其是在这些模型日益融入教育环境的背景下。
-
AI工具通过聊天机器人和心理健康检测提升校园福祉
研究人员开发了旨在通过增强反馈收集和心理健康检测来改善校园福祉的人工智能工具。TigerGPT是一款聊天机器人，利用大型语言模型进行个性化调查，实现了高可用性和满意度。AURA是一个强化学习框架，用于优化后续问题以提高对话质量。在干预方面，PsychoGPT是一个在临床指南上训练的大型语言模型，有助于进行痛苦分类和症状评分，并采用堆叠多模型推理方法来减少幻觉。