EmoTrack：用于基于文本的抑郁严重程度估计的临床语义建模

arXiv:2605.22286v3 公告类型：替换 摘要：文本咨询已在在线心理健康平台上得到广泛应用，其中，根据咨询记录自动估计抑郁症状的严重程度对于来访者安全和临床监测至关重要。因此，我们研究直接根据咨询会话预测标准八条目患者健康问卷（PHQ-8）的总分。现有的临床驱动方法通过大语言模型推理获得结构化评估，但在概括过程中丢失了来访者各个话轮的信息。训练驱动方法保留了话轮语义，却必须从有限的标签中学习临床结构。整合这些表征需要保留临床特征的身份信息，并选择与各项症状相关的证据。我们提出 EmoTrack，该方法对临床特征词元和冻结的来访者话轮嵌入进行联合编码，随后使用 PHQ-8 条目查询来估计总体严重程度。可选的门控记忆机制可纳入前一次会话中的证据。为支持多会话场景下的受控评估，我们推出 CounselArc，这是一个具有会话级 PHQ-8 监督信息的合成咨询数据集，用于预测当前会话中的严重程度，并可选择使用先前会话作为上下文。在真实的 DAIC-WOZ 访谈、向 E-DAIC 的迁移以及三个纵向数据集上，EmoTrack 均取得了最低的归一化综合误差。相较于各项指标上表现最强的基线方法，它将 DAIC-WOZ 上的平均绝对误差降低了 12.5%，并将综合误差降低了约 8.6%。