arXiv cs.CL· Raavi Gupta, Ziqing Yang, Karli R. Hochstatter, Talia Nadel, Nicole D'Anna, Jason K. Graham, Hannah Johnson, Kelsey Opozda, Nabila El-Bassel, Anubhav Jangra, Smaranda Muresan·· 3 天前AI 评分22
基于死亡调查报告的证据锚定过量用药死亡预测
Evidence-Anchored Overdose Death Prediction from Death Investigation Reports
AI 导读
研究提出一套自动化框架，可从死亡调查报告中分类疑似过量用药死亡，并生成由专家知识引导的支持性解释。实验显示，采用基于输入报告证据的 pipeline 模型（先解释后预测）优于自解释模型，最佳模型比当前部署的规则系统高出 15%，同时保留专家介入最终决策的空间。
正文 · AI 翻译
作者：Raavi Gupta、Ziqing Yang、Karli R. Hochstatter、Talia Nadel、Nicole D'Anna、Jason K. Graham、Hannah Johnson、Kelsey Opozda、Nabila El-Bassel、Anubhav Jangra、Smaranda Muresan
摘要：在美国，由于涉及药物死亡的死因认定过程复杂，过量致死的确证往往被延迟。死亡调查报告是一种丰富但尚未被充分利用的数据来源，可用于预测某起死亡是否为疑似过量致死（即在最终确定死因和死亡方式之前，初步认定为过量致死的死亡）。我们提出了一个自动化框架，可从死亡调查报告中分类疑似过量致死，同时生成由专家知识引导的支持性解释。通过专家引导的设计流程，我们研究了 1）哪种类型的解释对模型预测性能最有利，以及 2）哪种架构更适合此任务：先给出理由再预测的流水线模型，还是联合预测与给出理由的自解释模型？我们的实验表明，解释基于输入死亡调查报告的流水线模型优于其他设置。我们最好的模型也比当前部署的基于规则的系统高出 15%，同时允许专家干预以做出最终决定。
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.19556 [cs.CL] |
| （或本版本使用 arXiv:2610.19556v1 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2610.19556 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Raavi Gupta [查看电子邮件]
[v1]
2026年10月14日星期三 04:13:35 UTC（161 KB）
来源：arXiv cs.CL · arxiv.org