PHQ-9
PulseAugur coverage of PHQ-9 — every cluster mentioning PHQ-9 across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的NLP心理测量学方法分析LLM心理健康预测
一篇新研究论文介绍了一种名为“NLP心理测量学”的方法，用于分析自然语言处理模型在预测心理健康结果时所衡量的内容。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，在受控的个性化条件下完成问卷调查，结果显示模型能够解释生活中满意度、抑郁和焦虑方面相当大一部分的变异性。研究结果表明，虽然LLM的个性化可以揭示模型偏见并恢复临床模式，但它们不能取代人类验证。
-
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。