近日，北京大學心理與認知科學學院周廣玉課題組在國際健康心理學期刊Applied Psychology: Health and Wellbeing上發(fā)表題為Enhancing Health Assessments with Large Language Models: A Methodological Approach的論文。該研究提出了一種創(chuàng)新的健康心理學評估方法ScaleLLM，利用大語言模型（LLMs）提高了身心健康評估的準確性和可解釋性。
在健康心理學中，評估個體的身體與心理健康狀態(tài)對制定有效的干預策略至關(guān)重要。傳統(tǒng)評估方法依賴于線性統(tǒng)計分析，盡管簡便易行，但難以全面反映健康相關(guān)因素之間的復雜互動，導致預測精度有限。同時，盡管機器學習模型具備較強的預測能力，但其對大數(shù)據(jù)集的依賴性和缺乏可解釋性限制了其在健康評估中的廣泛應用。
為解決這些問題，研究團隊提出了ScaleLLM。該方法基于LLM的自然語言理解和推理能力，通過三層評估機制大幅提升了健康評估的準確性和解釋性。首先，語言對齊模塊將量表數(shù)據(jù)翻譯為自然語言，使ScaleLLM能夠更好地理解和處理這些數(shù)據(jù)。其次，知識對齊模塊通過整合教科書知識、互聯(lián)網(wǎng)知識和統(tǒng)計數(shù)據(jù)，增強了ScaleLLM的專業(yè)知識。最后，ScaleLLM在無監(jiān)督條件下進行健康評估，并結(jié)合鏈式推理、上下文學習等策略，生成預測結(jié)果及其解釋。
實驗結(jié)果表明，ScaleLLM在多個健康評估任務(wù)中表現(xiàn)優(yōu)異。研究團隊使用了心臟病、糖尿病和心理健康三個數(shù)據(jù)集進行測試，結(jié)果顯示，ScaleLLM在預測準確性和可解釋性方面均優(yōu)于傳統(tǒng)機器學習模型和現(xiàn)有的LLM模型。
本研究的創(chuàng)新之處在于，它不僅提升了健康評估的預測準確性，還通過解釋模型預測結(jié)果的推理過程，增強了其透明度。這種方法為未來的健康心理學評估工具開發(fā)提供了重要的理論支持和技術(shù)基礎(chǔ)。
本文第一作者為實驗室2024級博士生王曦，通訊作者為周廣玉研究員。本研究得到了國家社會科學基金（21BSH158）資助。
論文：Wang X., Zhou Y., Zhou G. (2024). Enhancing Health Assessments with Large Language Models: A Methodological Approach. Applied Psychology: Health and Wellbeing. http://doi.org/10.1111/aphw.12602
2024-10-12