心理健康数据集的监督学习和大型语言模型基准:中国社交媒体的认知扭曲和自杀风险
Hongzhi Qi1, Guanghui Fu2, Jianqiang Li1
1College of Computer Science, Beijing University of Technology, Beijing 100124, China.
Bioengineering (Basel, Switzerland)
|August 28, 2025
概括
这项研究为检测中国社交媒体上的自杀风险和认知扭曲带来了新的数据集. 监督学习模型在没有微调的情况下表现优于大型语言模型 (LLM),尽管微调缩小了差距.
科学领域:
- 计算语言学
- 心理信息学
- 人工智能在心理健康方面
背景情况:
- 社交媒体用户表达情绪,
- 早期发现自杀念头和认知障碍对于干预至关重要.
研究的目的:
- 介绍两个新的中国社交媒体数据集:SOS-HL-1K (自杀风险) 和SocialCD-3K (认知扭曲).
- 评估心理状态检测的监督学习方法和大型语言模型.
- 比较快速工程策略和对LLM的微调.
主要方法:
- 开发并使用SOS-HL-1K (1249个职位) 和SocialCD-3K (3407个职位) 数据集.
- 评估了两个监督学习模型和八个LLM.
- 实施零射击和少数射击即时策略,以及微调.
主要成果:
- 监督学习实现了高绩效 (82.76%的F1用于自杀风险,76.10%的微F1用于认知扭曲).
- 在没有微调的情况下,提示的LLM表现低于监督方法.
- 微调显著改善了LLM的表现,将差距缩小到4.31%和3.14%.
结论:
- 监督学习对于社交媒体上的复杂心理任务至关重要.
- 但需要精细调整以匹配监督的方法.
- 开发的数据集有助于进一步的计算心理学研究.


