arXiv cs.CY· Xiaohan Ding, Mengting Tu, Andrew H. Zhao, Jamie Zelazny, Candice L. Biernesser, Munmun De Choudhury·· 10 小时前AI 评分42
眼见不为知：LLM 从青少年社交媒体对话推断心理健康的认知边界
Seeing Is Not Knowing: The Epistemic Limits of LLM-Based Mental Health Inference from Youth Social Media Conversations
AI 导读
研究用 80 名有抑郁或自杀念头/行为史青少年的 Instagram 私信，评测十款推理 LLM 的心理健康推断能力，并分析 204 条推理轨迹。模型对可观察状态的推断优于对感知社会支持等主观评价的推断，结果揭示了数字痕迹在 AI 设计与评估中的认知边界：哪些可观察、哪些可合理推断、哪些必须依赖本人自述。
正文 · AI 翻译
摘要：青少年越来越多地使用社交媒体进行私密对话、分享经历和寻求支持。这些互动会产生数字痕迹，促使人们尝试推断心理健康和社会心理状态。随着大语言模型在推理对话和人际动态方面能力日益增强，一个根本性问题依然存在：模型究竟能从它们所“看到”的内容中“了解”个体的心理体验到什么程度？我们使用 80 名有抑郁史或自杀念头及行为的青少年捐赠的 Instagram 私信，评估了十个推理大语言模型，将预测结果与自我报告进行比较，并分析了 204 条推理轨迹。在推断更可观察的状态时，模型的表现优于对参与者社会体验主观评价（如感知到的社会支持）的推断。除预测准确性之外，我们的发现还凸显了数字痕迹在 AI 设计与评估中的认识论局限：哪些可以被观察，哪些可以被合理推断，哪些需要人们自己的陈述。
| 主题： | 人机交互（cs.HC）；计算机与社会（cs.CY） |
| 引用为： | arXiv:2611.08565 [cs.HC] |
| （或 arXiv:2611.08565v1 [cs.HC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.08565 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Xiaohan Ding [查看电子邮件]
[v1]
2026年11月5日星期四 16:47:06 UTC（4,490 KB）
来源：arXiv cs.CY · arxiv.org