基于大语言模型的文本评估可判断成人内化症状者的心理支持需求

摘要 背景 机器学习和自然语言处理在心理健康评估方面已展现出显著潜力：用自己的话描述心理健康状况，可能比传统评定量表提供一种更具生态效度的方法。然而，大多数模型聚焦于特定的诊断、状况或症状，这可能在早期心理健康筛查情境中过早地赋予标签，并可能强化污名化。 目的 本研究开发一种基于语言的评估模型，根据经引导的自然语言评估心理健康支持需求，并以多位经验丰富的心理治疗师的最佳估计评估为参照进行验证。 方法 我们分析了一个富集的在线样本（开发集 n=600，验证集 n=212），其中约一半报告存在内化症状（抑郁或焦虑）。参与者通过开放式回答描述其心理健康状况，涉及（1）心理健康、（2）自杀意念、（3）病史和（4）抑郁。回答使用大语言模型转换为上下文词嵌入，并作为预测变量输入采用嵌套交叉验证的岭回归。由两到三名经验丰富的心理治疗师在1（无需支持）至5（潜在危机）的量表上评估每位参与者的心理健康支持需求。其评估基于纵向临床数据（自然语言、经验证的量表、临床访谈、社会人口学信息和临床病史），并取平均值作为最佳估计评估，用于模型验证。我们采用模型预注册序贯评估框架，将模型开发与留出集验证分离，以支持稳健的估计和泛化能力。 结果 基于语言的评估与最佳估计评估高度一致（r=0.82），并与既有的抑郁（患者健康问卷-9）、焦虑（广泛性焦虑障碍7项量表）、压力（感知压力量表10）和自杀倾向（抑郁与焦虑症状量表）临床评定量表呈强相关（r=0.62-0.77）。主题和词嵌入的基于语言的可视化显示，低支持需求评估与提及幸福感和良好健康相关，而高评估则与抑郁、焦虑和自杀倾向相关。 结论 本研究表明，通过大语言模型和机器学习分析自然语言回答，可用于评估个体的心理健康支持需求，且与经验丰富的心理治疗师的最佳估计评估高度一致。该方法仅需受访者不到5分钟的时间，为临床和自我引导筛查情境中的早期心理健康筛查提供了一种实用工具。

中文由 AI 翻译，仅供参考，以原文为准。