E-DAIC
PulseAugur coverage of E-DAIC — every cluster mentioning E-DAIC across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的分层多智能体系统增强抑郁症检测能力
研究人员开发了HiMA-MDD，一个新颖的分层多智能体系统，用于临床访谈中的可解释多模态抑郁症检测。该系统将证据收集和评估组织成三个不同的智能体层，模仿了临床诊断的分层性质。HiMA-MDD旨在通过明确管理证据访问、评分权限和反馈循环来提高抑郁症评估的准确性和可审计性。使用Qwen2.5-72B-Instruct作为骨干进行的实验表明，HiMA-MDD在E-DAIC数据集上超越了当前最先进的方法。
-
新型AI模型可预测抑郁症严重程度并提供不确定性估计
研究人员开发了PTTSD，一个新颖的概率框架，旨在从临床访谈记录中检测抑郁症的严重程度。该系统利用LSTMs和自注意力机制来预测PHQ-8分数，并提供校准后的不确定性估计以及预测结果。该框架包括用于序列到序列和序列到单点预测的变体，前者允许对访谈期间置信度演变进行时间分析。在E-DAIC和DAIC-WOZ数据集上进行评估，PTTSD在仅文本系统中表现出竞争力，并突出了不确定性感知预测的临床效用。
-
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。