PHQ-9
PulseAugur coverage of PHQ-9 — every cluster mentioning PHQ-9 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
LLM对抑郁严重程度的标准提取结果喜忧参半
一项新的研究论文探讨了大型语言模型（LLM）从社交媒体帖子中提取抑郁严重程度标准的有效性。该研究比较了直接LLM标注与一种方法，即LLM识别特定临床标准，然后用这些标准来确定严重程度。结果表明，虽然标准提取更容易审计，但它并不总是优于直接标注或思维链提示，尤其是在阈值未预先拟合的情况下。研究强调，更高的序数一致性并不一定能更好地检测到严重病例，标准提取有时会遗漏大多数严重帖子。
-
New ePID method offers scalable analysis of symptom network information
研究人员开发了一种名为基于嵌入的部分信息分解（ePID）的新方法，用于分析症状网络内的复杂关系。该技术通过将症状压缩为离散嵌入，克服了传统PID的计算限制，从而能够更易于地分析信息重叠和协同作用。ePID方法在合成网络和真实世界数据集上进行了测试，包括来自PHQ-9和人际反应指数的心理健康症状数据，证明了其区分冗余信息和相互作用依赖信息的能力。
-
LLM引导的概念集成提高了移动传感预测的准确性
研究人员开发了一种名为概念集成Transformer（CIT）的新模型，该模型利用大型语言模型（LLM）来提高移动传感研究中的预测准确性和可解释性。该方法生成具有置信度权重的概念异常目标，无需手动标注。在两个数据集上的测试中，CIT在情感预测方面取得了高F1分数，并在PHQ-9数据集上并列最高分，同时还揭示了与睡眠数量和质量相关的可解释模式。
-
arXiv论文指出大型语言模型抑郁症评估中存在标准污染
Tong Li及其同事的一篇新arXiv论文认为，对大型语言模型（LLMs）进行抑郁症评估的“镜像”方法存在污染。这些评估方法基于LLM根据抑郁症评估问卷的回答来预测抑郁症评分，通常报告接近完美的准确率。然而，研究人员证明，当使用非镜像（独立的生命史）访谈提示LLM预测抑郁症评分时，准确率会显著下降，这表明原始评估主要衡量的是可靠性而非真正的有效性。该研究提出在抑郁症评估中结合非镜像方法，以实现更具临床意义的大型语言模型应用。
-
新的NLP心理测量学框架评估LLM心理健康预测能力
一篇新研究论文介绍了一种名为NLP心理测量学的框架，用于评估自然语言处理模型预测心理健康结果的有效性。该方法将基于文本的心理预测视为一个心理测量学问题，将模型得分与可解释的语言证据联系起来。研究使用了九个LLM，在受控的虚拟角色条件下，完成了心理测量问卷，结果显示在生活满意度、抑郁和焦虑方面具有显著的预测能力，但也强调了未经人类验证的合成数据的局限性。
-
AssemblyAI 详解用于治疗记录的 AI 记录员
AssemblyAI 详细介绍了一种构建 AI 记录员的方法，该记录员能够从治疗会议中生成进展记录。该过程包括准确的临床转录、区分治疗师和患者的语音，并利用大型语言模型 (LLM) 以 SOAP 或 DAP 等结构化格式起草记录。此方法旨在为临床医生提供一个可靠的工具来自动化文档记录，确保临床术语和患者信息的准确性。
-
新基准Psych-ECA评估精神病学试验中的合成对照臂
研究人员推出了Psych-ECA，这是一个旨在评估在精神病药物开发中创建合成对照臂的方法的新基准。该基准解决了评估准确性、不确定性校准、对信息性抽样的鲁棒性以及试验决策中的假阳性率的需求。Psych-ECA生成抑郁症、焦虑症和精神分裂症的纵向症状轨迹，提供已知的反事实和真实的测量噪声。对八种估计器的初步基准测试显示，基于轨迹和灵活的机器学习方法取得了最佳准确性，而只有Scribe方法同时展示了准确性和校准的不确定性。
-
WPG-MoE框架利用LLM增强社交媒体抑郁检测 · 跟踪2个来源
研究人员开发了WPG-MoE，一个利用大型语言模型（LLM）骨干来改进社交媒体数据抑郁检测的新型框架。该系统采用弱先验引导的密集专家混合方法，允许用户根据其抑郁风险的独特表达被路由到专业专家。该框架在训练期间使用特权信息来指导路由，而在推理时则依赖简化的健康状况问卷-9（PHQ-9）筛查。在中国和英语数据集上的实验表明，WPG-MoE优于现有方法并展示了可解释的路由。
-
新AI框架增强多维度心理健康评估
研究人员开发了PsyBridge，一个旨在改进多维度心理健康评估的新型混合智能框架。该框架整合了PHQ-9和GAD-7等既有筛查工具以及认知和行为指标。通过使用加权聚合机制，PsyBridge生成可解释的风险分类和建议。在半合成数据集的实验中，PsyBridge达到了0.84的准确率，优于单独的评估，并显示出更稳定的性能，尤其是在中度风险预测方面。
-
AI模型从心理健康对话中估计抑郁严重程度
研究人员开发了一种方法，利用AI心理健康应用的对话数据来估计抑郁严重程度。通过微调Qwen3.5-27B模型并使用Claude Opus生成的伪标签进行增强，该系统能够高精度地预测PHQ-9分数。这种方法实现了被动、连续的症状监测，有可能在用户无需完成自我报告的情况下，提高干预的及时性。