利用上下文感知LLM从数字日记推断癌症生存者的情感状态与干预机会

文献标题

Inferring Affect and Intervention Opportunities for Cancer Survivors from Digital Diaries with Context-Aware LLMs

出版信息

• 主题领域: 面向癌症康复者心理健康干预的上下文感知语言模型。
• 关键词: 癌症康复者，情感推断，移动日记，JITAI，情绪调节，LLMs，上下文感知系统，数字健康，稀疏文本分析，心理健康支持。

背景与问题

• 问题/挑战: 癌症康复者面临显著的未满足心理社会需求，同时传统心理健康服务的获取存在障碍。针对稀疏、内省的移动日记条目开发低负担的情感状态监测方法以触发及时适应性干预（JITAIs）尚不成熟。
• 重要性: 解决癌症康复中的心理健康问题对长期健康和康复至关重要。实现及时、上下文感知的数字干预可以缓解获取障碍，特别是在服务不足的地区。
• 动机与相关工作: 先前在移动健康和语言模型领域的研究探索了情感推断，但在处理如移动日记般稀疏的文本输入时存在困难。现有方法缺乏上下文基础和个性化，限制了其在实时干预决策中的适用性。

解决方案

• 提出的方法: 上下文感知语言模型（CALLM）框架。
• 创新点:
  1. 描述与情感状态、调节需求和干预可用性相关的超简移动日记条目中的上下文线索。
  2. 开发CALLM，整合相似性匹配的同伴案例和短期个人轨迹以实现上下文感知推断。
  3. 确定影响推断性能的模型条件因素（置信度、日记长度、时间上下文、短期校准）。
• 流程与关键技术:
  • 使用文本嵌入模型对日记条目进行嵌入，并存储在向量数据库中以便基于相似性的检索。
  • 检索到的同伴案例和个人时间轨迹被整合到LLM提示中以进行情感推断。
  • 预测结果以JSON格式输出供下游使用，评估指标包括平衡准确率和ROC-AUC。
  • 实验包括与基线方法（传统管道、微调的Transformer、情感专用模型以及零/少样本LLMs）的比较。

结果

• 具体发现: CALLM在正向情感（72.96%）、负向情感（73.29%）、调节需求（73.72%）和干预可用性（60.09%）方面的平衡准确率均优于基线方法。
• 相较基线的优势: CALLM通过利用精心策划的上下文（相似性匹配的同伴案例和个人轨迹），显著提升了推断准确率，超越了传统方法和LLM基线。
• 实验/评估: 在407名癌症康复者的24,183条日记条目上进行评估，采用5折分组交叉验证。评估指标包括平衡准确率、ROC-AUC以及统计显著性测试。
• 局限性与未来工作: 干预可用性推断停滞在约60%，表明需要多模态感知。样本偏向女性和白人，限制了普适性。未来工作应探索文化敏感建模、更丰富的上下文信号以及真实场景中的JITAI部署。

总结

本研究提出了CALLM，一种从癌症康复者的超简移动日记中推断情感状态、调节需求和干预可用性的上下文感知框架。通过在预测中引入精心策划的上下文（相似性匹配的同伴案例和个人轨迹），CALLM在基线方法上实现了显著的准确率提升，情感构建的平衡准确率达到约73%。研究结果为设计低负担、置信度门控的数字干预提供了指导，这些干预尊重用户自主性和情境上下文。未来工作应解决公平性问题，扩展多模态感知，并探索JITAI的真实场景部署。