来自异构语音协议的有证据的心理健康推理

使用多模态语音和文本的计算心理健康筛查已显示出巨大的前景。然而，现有模型通常假设所有临床语音协议都具有同等的证据有效性。事实上，从免费访谈到固定阅读任务的异构协议支持根本不同的证据。强制统一推理会压平这些界限，导致模型从不相关的文本中产生幻觉或过度支持。即使是先进的长思想链 LLM 也无法解决这个问题，因为自由形式的推理可能会加剧边界违规。为了解决这个问题，我们将多模态筛选重新表述为一个证据有限的推理问题。我们引入了证据包基准，通过明确的模态掩码和证据权限集成了六个异构源的 1,870 个包。我们进一步提出了 EviBound，一种协议感知的证据控制框架。与直接 LLM 提示不同，EviBound 使用配置文件感知规划器来限制推理范围，通过五向声学共识编排证据工具，并强制边界批评家压制不受支持的主张。实证结果显示，EviBound 的持续测试抑郁 AUROC 达到 0.8658，超出最强直接全模态基线 +0.0811 AUROC，同时保持零索赔违规。我们的工作超越了不受限制的准确性，转向证据一致、协议感知的系统，以实现更安全的临床 NLP 研究。