通过调整指令的LLM和类型验证组件,改善中国心理健康领域的统一信息提取
Zijie Cai1, Hui Fang2, Jianhua Liu1
1School of Computer Science and Mathematics, Fujian University of Technology, 350118, Fuzhou, China; Fujian Provincial Key Laboratory of Big Data Mining and Applications, Fujian University of Technology, Fuzhou, 350118, China.
Artificial intelligence in medicine
|February 23, 2025
概括
这项研究引入了一个新的框架,用于从中文文本中提取心理健康信息,使用调整指令的大型语言模型 (LLM) 和类型验证组件,提高准确性和效率.
科学领域:
- 自然语言处理自然语言处理.
- 心理健康信息学心理健康信息学
- 人工智能的人工智能
背景情况:
- 从中文文本中提取心理咨询信息至关重要,但由于数据敏感性和缺乏数据集,这是一项具有挑战性的工作.
- 大型语言模型 (LLM) 在这个领域与复杂的自然语言理解作斗争.
研究的目的:
- 开发一个统一的信息提取框架,用于中国的心理健康文本.
- 提高性能和减少计算需求,使用指令调整的LLM和一个新的类型验证 (TV) 组件.
主要方法:
- 使用合成数据和专家指导构建了中国心理健康指导数据集.
- 微调的开源LLM用于命名实体,关系和事件提取.
- 实施了一种轻量级的类型验证组件,以改进LLM输出.
主要成果:
- 拟议的框架在提取心理健康信息方面取得了卓越的表现.
- 类型验证组件显著提高了提取精度,并降低了计算要求.
- 结合指令调整的LLM与高效的类型验证,以获得卓越的结果.
结论:
- 为中国的心理健康信息提取提供了一个新的,高效的框架.
- 通过将LLMs与轻量级类型验证组件集成来提高准确性和计算效率.
- 对可扩展的,自动化的心理健康支持系统有希望.
