FAIR_XAI：通过可解释性改进多模态基础模型在福祉评估中的公平性
FAIR_XAI: Improving Multimodal Foundation Model Fairness via Explainability for Wellbeing Assessment
摘要
近年来，多模态机器学习与福祉评估的结合为心理健康监测提供了变革性潜力。然而，随着视觉语言模型（Vision-Language Models，VLMs）的快速进步，其缺乏透明度且存在偏见风险，使其在临床环境中的部署引发了担忧。尽管既往研究已探索公平性与可解释人工智能（Explainable AI，XAI）的交叉领域，但其在用于福祉评估与抑郁预测的VLMs上的应用仍研究不足。本工作考察了VLM在实验室数据集（AFAR-BSFT）与自然情境数据集（E-DAIC）上的表现，重点关注诊断可靠性与人口统计学公平性。性能在不同环境与架构之间差异巨大；Phi3.5-Vision在E-DAIC上达到80.4%的准确率，而Qwen2-VL仅为33.9%。此外，两个模型在AFAR-BSFT上均表现出过度预测抑郁的倾向。尽管两种架构都存在偏见，Qwen2-VL表现出更高的性别差异，而Phi-3.5-Vision则表现出更多种族偏见。我们的XAI干预框架结果喜忧参半；公平性提示（fairness prompting）在E-DAIC上使Qwen2-VL实现了完美的机会均等（equal opportunity），但准确率代价惨重。在AFAR-BSFT上，基于可解释性的干预提升了程序一致性，但并不能保证结果公平，有时反而放大了种族偏见。这些结果凸显了程序透明与公平结果之间持续存在的鸿沟。我们分析了这些发现并整合出应对它们的具体建议，强调未来的公平性干预必须联合优化预测准确率、人口统计学均等（demographic parity）与跨域泛化。
