arXiv cs.CL· Tianle Hu, Chen Peng, Yi-Hsin Tsai, Takshing Andy Tung, Bingyang Sun, Yenjou Wang·· 10 天前AI 评分18
超越风险预测：面向可解释自杀风险评分的证据锚定与心理社会因素验证框架
Beyond Risk Prediction: Evidence Grounding and Psychosocial Factor Verification for Explainable Suicide Risk Assessment
AI 导读
基于 IEEE BigData 2026 可解释自杀风险检测挑战赛，该研究提出由风险评估、证据锚定和因素识别三部分组成的框架。
正文 · AI 翻译
摘要：从社交网络服务（SNS）帖子中识别自杀风险对于检测在线环境中的自杀相关信号至关重要。然而，仅靠风险分类无法充分揭示预测背后的文本证据和心理社会因素。基于 IEEE BigData 2026 可解释自杀风险检测挑战赛，本研究提出了一个由风险评估、证据定位和因素识别组成的框架。风险评估采用基于长度的路由以适应不同长度的帖子。证据定位识别支持性短语，并使用风险-证据约束来保持与风险预测的一致性。对于因素识别，使用了两个验证器。分类学验证器关注因素语义，而证据感知验证器使用因素特定的词汇-语义线索来选择信息量大的正训练单元。它们的预测概率被组合以产生最终的因素预测。这三个任务使用任务特定的 F1 分数指标进行评估。风险评估达到了 0.8088 的加权 F1，证据定位达到了 0.7605 的测试宏行 F1，因素识别达到了 0.5562 的宏 F1。结果表明，该框架能够提供风险预测，以及支持性文本证据和心理社会因素的细粒度信息。总体而言，所提出的框架将自杀风险评估扩展到风险水平预测之外，并为 SNS 帖子提供了更具可解释性的分析。
| 评论： | 8 页，1 幅图，4 张表。被第二届社交媒体心理健康障碍检测研讨会（MHSM 2026）接收，与 IEEE ICDM 2026 联合举办 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.08842 [cs.CL] |
| （或使用 arXiv:2610.08842v1 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.08842 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Tianle Hu [查看电子邮件]
[v1]
2026 年 9 月 30 日星期三 12:07:01 UTC（436 KB）
来源：arXiv cs.CL · arxiv.org