DreamerNLplus: 基于混合规则和RAG方法的社会媒体时间线上的可解释心理健康动态建模

背景与问题

随着社交媒体的普及，通过文本数据预测个体的心理健康状态成为可能。CLPsych 2026 共享任务提出了三项具体挑战：心理状态建模、时间变化检测和序列级总结。这些任务旨在通过分析社交媒体上的信息来理解心理健康的变化模式。

核心内容

• 任务1 中，团队结合了基于大语言模型（LLM）的数据增强、DeBERTa 分类以及随机森林回归方法，以实现结构化心理状态的预测。
• 任务2 使用少量提示和本地部署的大语言模型 Llama 3.1 来检测切换事件和升级事件，并通过短期时间上下文进行判断。
• 任务3 探索了确定性规则基线总结流程和基于大语言模型的少样本方法。结果表明，在改进方面排名第二，但在恶化方面的表现不佳。团队开发了一种基于检索增强生成（RAG）的方法，在恶化检测中排名第一，并在改善检测中排名第三。
• 分析指出几个关键挑战：分类与回归性能不匹配、时间过渡建模难度大以及语义评估和相似度评估之间存在分歧。

意义与影响

该研究突显了建模心理健康动态的复杂性，强调了需要统一评价框架的重要性。虽然取得了良好成绩，但依然面临诸多挑战，这些发现对未来的心理健康监测技术具有重要意义，并促使未来的研究在统一的评价体系下进行更加深入的探索。团队将代码和提示分享至 GitHub（https://github.com/4dpicture/CLPsych2026），以促进进一步研究和发展。