使用大型语言模型进行抑郁查的句子完成测试的有效性

科学领域:

• 心理健康
• 人工智能
• 心理测量

背景情况:

• 抑郁症是全球性的心理健康问题,
• 传统的抑郁查方法可能是主观的,
• 大型语言模型 (LLM) 提供了现代化心理健康评估的潜力.

研究的目的:

• 评估使用LLM检测新的句子完成测试的有效性.
• 为了提高客观性,减少抑郁症查的偏见.
• 确定与抑郁风险相关的关键生活领域 (家庭,社会,健康,自我概念).

主要方法:

• 开发了一种新的抑郁句子完成测试,并给373名参与者 (年龄在20-40岁) 进行.
• 四个LLM (LLAMA 3.1-8B,Gemma2-9B,Qwen2-7B,台风1.5-7B) 被用来进行分析.
• 使用随机森林和决策树分类器来分类抑郁风险.

主要成果:

• 健康 (0.48),自我概念 (0.49) 和DIFF (0.54) 与情绪水平有很强的正相关性,这表明抑郁症风险指标很大.
• 家庭 (0.27) 和社会 (0.19) 也显示出正相关性,尽管较弱.
• 模型以0.78的下限精度 (p ≤ .05) 显示可靠性;LLAMA3.1和Gemma2表现出最高的灵敏度.

结论:

• 通过句子完成测试客观地评估抑郁风险.
• 健康和自我概念是确定抑郁风险的关键因素.
• 未来的研究应侧重于伦理考虑,多样化的群体和数据更新,以提高准确性和通用性.