结构与思维链：评估抑郁症严重程度的大语言模型标准提取

大语言模型 (LLM) 可以直接从社交媒体帖子中评估抑郁症的严重程度，或标记帖子显示的临床标准，并让代码将计数转换为标签。后者更容易审核，因为临床医生可以检查每个标记的标准。我们使用三个大语言模型（从 9B 到前沿量表）和两个问卷（PHQ-9、BDI-II）在两个 Reddit 语料库上比较这些方法，并使用二次加权 kappa 来衡量一致性。对于这两个前沿模型，只有当其决策阈值适合标记数据时，标准提取分数才会高于一个语料库的思维链。无论是否在相同标签上重新调整思路链，这两种模型的收益都不显着。根据 PHQ-9 标准先验确定的阈值，即使模型为每个帖子标记了两个以上标准，提取也不会在任何一个语料库上显示任何增益。 9B 模型在抑郁社区的语料库上的表现有所不同。它给大多数帖子贴上了严重的标签，无论是直接提示还是通过思维链，而先验规则在没有标签的情况下击败了这两种帖子。在相同标签上重新校准思路链后，没有留下明显的差距，与校准效果一致。然而较高的序数一致性并不能确保更好地发现严重病例。 PHQ-9 标准提取遗漏了最严重的帖子，从直接提示到思维链再到提取，几乎在所有比较中都会增加遗漏率。在主语料库上，重新标记的压力数据集、使用该数据集自身特征（包括文本中的字数）的模型与先验规则下的前沿标准提取没有显着差异。