使用多任务 QLoRA 对社交媒体进行可解释的自杀风险评估

可解释的自杀风险评估需要模型不仅可以估计风险严重程度，还可以识别帖子中表达的支持语言以及风险和保护因素。我们为 IEEE BigData 2026 Cup 社交媒体可解释自杀风险评估展示了我们的系统，该系统解决了三个任务：风险级别分类、证据短语提取和多标签因素识别。我们的方法使用量化低秩适应（QLoRA）和答案屏蔽因果语言模型目标来适应 Qwen2.5-Instruct 模型。我们联合训练所有三个任务以进行风险分类，联合训练任务 1a 和 1b 以进行证据提取，并分别调整任务 2 以进行因素识别。我们还针对每个输出定制聚合：我们对 32B 和 72B 模型的风险水平概率进行平均，通过跨折叠共识组合证据短语，并通过基于折叠操作点的速率匹配来校准特定因素的决策。在官方排行榜上，最终系统的综合得分为 0.7738，其中任务 1 为 0.8089，任务 2 为 0.6919。在评估的配置中，三任务训练在任务 1a 中表现最佳，任务 1a 和 1b 的联合训练在任务 1b 中表现最佳，特定任务训练在任务 2 中表现最佳。当组件模型具有互补误差时，概率平均进一步改进了任务 1a。这些发现强调了在统一语言模型框架内根据每个任务的输出结构定制训练目标和聚合策略的价值。