语言模型对主导认知扭曲分类的受控比较：RoBERTa、DeBERTa-v3 与 MentalBERT 在 Therapist Q&A 数据集上的表现

认知扭曲是认知行为疗法（CBT）旨在识别和重构的无益思维模式，因此对认知扭曲进行分类是重构过程中的关键步骤。由于数据有限，且数据在大多数情况下存在类别不平衡，分类变得困难。我们在公开的治疗师问答数据集（Shreevastava 和 Foltz, 2021）上研究主导性扭曲分类，该数据集中标注者对主导性扭曲的一致性较低（34%）。以标注的扭曲片段作为输入，我们在三个随机种子上比较了 TF-IDF 基线方法与 RoBERTa、DeBERTa-v3 和 MentalBERT（使用和不使用 focal loss），报告了准确率、宏 F1 和 Cohen's kappa 及显著性检验。编码器达到 0.39 至 0.44 的准确率，远高于多数类基线（0.15），三个交叉熵编码器之间无显著差异，而加权 focal loss 表现更差。错误分析显示，错误集中在少数相互重叠的扭曲类别上，主要是全或无思维、放大和心理过滤，这表明类别边界不清晰对性能的限制大于模型选择的影响。

中文由 AI 翻译，仅供参考，以原文为准。