超越风险预测：面向可解释自杀风险评估的证据 grounding 与心理社会因素验证

arXiv:2610.08842v1 公告类型：cross 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十分重要。然而，仅进行风险分类，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 Explainable Suicide Risk Detection Challenge，本研究提出了一个由风险评估、证据 grounding 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 grounding 识别支持性短语，并使用 Risk-Evidence 约束来保持其与风险预测的一致性。对于因素识别，研究采用了两种验证器。Taxonomy Verifier 关注因素语义，而 Evidence-Aware Verifier 利用特定于因素的词汇—语义线索，选择信息性更强的正向训练单元。随后，将两者的预测概率相结合，以生成最终的因素预测结果。三个任务分别使用针对任务设计的 F1 分数指标进行评估。风险评估取得了 0.8088 的加权 F1，证据 grounding 在测试集上取得了 0.7605 的 Macro row F1，因素识别取得了 0.5562 的 Macro F1。结果表明，该框架能够提供风险预测，并同时给出支持性文本证据以及关于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从风险等级预测扩展到更广的层面，并为 SNS 帖子提供了更具可解释性的分析。