arXiv cs.AI· Zhaomin Wu, Jiayi Li, Bingsheng He·· 10 小时前AI 评分29
EmoTrack：面向文本抑郁严重程度评估的临床语义建模
EmoTrack: Clinical-Semantic Modeling for Text-Based Depression Severity Estimation
AI 导读
EmoTrack 联合编码临床特征 token 与冻结的来访者对话轮嵌入，并用 PHQ-8 条目查询估计抑郁严重程度总分，可选门控记忆引入前次会话证据。在 DAIC-WOZ 上，其平均绝对误差相对最强基线降低 12.5%，聚合误差降低约 8.6%。团队同时发布带会话级 PHQ-8 监督的合成咨询数据集 CounselArc，用于多会话场景的受控评估。
正文 · AI 翻译
摘要：基于文本的心理咨询在在线心理健康平台中被广泛采用，从对话记录中自动估计抑郁症状严重程度对来访者安全和临床监测至关重要。因此，我们研究直接从咨询会话中预测标准八项患者健康问卷（PHQ-8）总分。现有的基于临床的方法通过大语言模型推理获得结构化评估，但会将会话中单个来访者轮次的语义概括掉。基于训练的方法保留轮次语义，但必须从有限的标签中学习临床结构。整合这些表示需要保留临床特征的身份，并选择与每个症状相关的证据。我们提出 EmoTrack，它联合编码临床特征 token 和冻结的来访者轮次嵌入，然后使用 PHQ-8 条目查询来估计总严重程度。可选的门控记忆纳入前一次会话的证据。为支持多会话设置下的受控评估，我们引入 CounselArc，这是一个合成咨询数据集，带有会话级 PHQ-8 监督，用于在可选前次会话上下文下预测当前会话的严重程度。在真实 DAIC-WOZ 访谈、迁移到 E-DAIC 以及三个纵向数据集上，EmoTrack 实现了最低的归一化聚合误差。相对于该指标上最强的基线，它将 DAIC-WOZ 的平均绝对误差降低了 12.5%，聚合误差降低了约 8.6%。
| 评论： | 36 页。相关 LongCounsel-8 基准：arXiv:2609.03507 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.22286 [cs.LG] |
| （或 arXiv:2605.22286v3 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.22286 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiayi Li [查看电子邮件]
[v1]
2026 年 5 月 21 日星期四 10:37:45 UTC（576 KB）
[v2]
2026 年 9 月 8 日星期二 13:05:25 UTC（534 KB）
[v3]
2026 年 11 月 4 日星期三 14:41:55 UTC（302 KB）
来源：arXiv cs.AI · arxiv.org