E-DAIC
PulseAugur coverage of E-DAIC — every cluster mentioning E-DAIC across labs, papers, and developer communities, ranked by signal.
-
新的MA-DLE方法通过语音评估抑郁水平
研究人员开发了一种名为MA-DLE的新方法，用于通过语音分析来评估抑郁水平。该方法通过一个记忆库来增强标准的GRU提取特征，该记忆库选择性地整合历史时间动态记忆特征。然后，一个分层注意力融合模块将这些增强的特征与GRU输出相结合。MA-DLE方法在DAIC-WOZ和E-DAIC数据集上展示了最先进的性能。
-
Dep-LLM 使用 LLM 进行无需训练的抑郁症诊断
研究人员开发了 Dep-LLM，一种无需额外训练即可从临床访谈中诊断抑郁症的新型框架。该系统通过模仿精神科医生的结构化推理过程来利用现有的大型语言模型 (LLM)。Dep-LLM 分析冗长的对话，识别关键的抑郁症指标，量化其发现的可靠性，并整合这些信号以进行最终诊断，在基准数据集上的表现优于监督式 LLM 和商业 LLM。
-
FAIR_XAI框架揭示了多模态模型在福祉评估中的偏见
研究人员开发了FAIR_XAI框架，以提高用于福祉评估的多模态基础模型的公平性。该研究在E-DAIC和AFAR-BSFT等数据集上评估了Phi3.5-Vision和Qwen2-VL，发现了性能差异和人口统计学偏见，其中Qwen2-VL显示出性别差异，而Phi-3.5-Vision则表现出种族偏见。尽管可解释性干预措施效果不一，有时能提高程序一致性但不能保证公平的结果，但这项工作强调了联合优化准确性、人口统计学均等性和泛化能力的需求。
-
新的PsyGAT模型在抑郁症检测方面达到SOTA，优于GPT-5
研究人员开发了PsyGAT，一个用于从对话数据中检测抑郁症的新型基于图的框架。该模型解决了现有深度学习方法中常见的数据稀缺和可解释性问题。PsyGAT将对话建模为动态时间图，整合临床证据和个性背景，以区分基于特质的行为和急性症状。该框架还包括一个Causal-PsyGAT模块，用于识别症状触发因素，提高可解释性。