AnchorSIPS：用于证据支持的精神病风险症状测量的综合数据集和评估资源

人工智能用于精神病风险评估的进展受到数据访问瓶颈的限制。由于隐私、治理和同意的限制，真实的临床访谈很难分享。我们提出了 AnchorSIPS，这是一个由 10K 条结构化精神病风险访谈组成的综合数据集，其中包含基于转录的测量目标。每次访谈均以 Mini-SIPS 为模型，这是一种由临床医生管理的精神病风险访谈。它记录了病史、24个症状问题、患者确认的项目的后续证据、有关妄想样症状（不寻常的信念）、幻觉样症状（不寻常的认知）和混乱的沟通的决定，排除明显的精神病级症状（“坦率精神病”），以及最终的减毒精神病综合征（APS）诊断，即轻度或早期精神病症状的高风险状态。 APS 诊断不是一个独立的标签。这取决于早期的认可、支持的后续细节、症状分类决策以及坦率的精神病检查。每个中间决策都与其支持的转录回合相关。 AnchorSIPS 由计划然后实现的管道生成。隐藏的病例表指定患者的临床状态，确定性计划器修复访谈结构，LLM 仅实现经过验证和有限修复的患者话语。在生成之前修复标签和结构可以避免多轮 LLM 对话中典型的轮间不一致。在七个 LLM 基线中，模型恢复了粗略的决策，但无法提取后续细节或引用支持性的转录内容，因此最终标签表现夸大了面试能力。 AnchorSIPS 旨在研究证据提取、基于转录的测量以及部分披露下的不确定性。