摘要
在构建可靠且可解释的人工智能（XAI）系统以进行心理健康研究时，标注质量是主要瓶颈。在抑郁症相关的数据集中，标签通常是在没有结构化证据、症状级别理由或与《精神障碍诊断与统计手册》第五版文本修订版（DSM-5-TR）标准可追溯对齐的情况下分配的，这限制了透明度和后续模型的可解释性。
我们提出了一种自我进化的、专家参与的标注框架，专为重度抑郁障碍（MDD）设计，结合了大型语言模型（LLM）辅助标注与专家验证。该框架旨在支持构建可解释的、与DSM-5-TR对齐的数据集，而非进行临床诊断。它分为三个阶段：从文本记录中选择候选证据、进行标准级DSM-5-TR分析，以及生成标签级诊断和严重程度标注的案例级综合。
该框架采用双重记忆架构，包括示例记忆和反思记忆，旨在内化专家反馈，并在不重新训练的情况下迭代改进未来的标注。我们描述了这一机制，并将其在多个反馈周期中的评估留待未来工作。此外，该框架除了最终标签外，还导出临床证据、推理轨迹和编辑历史，从而实现全面的可审计性。在使用专家审核样本的初步研究中，所提出的方法提高了标注的一致性和可解释性，同时减少了手动修订的工作量。
博主点评： 本文提出的自我进化标注框架在心理健康研究领域具有重要意义，通过结合LLM和专家验证，提升了抑郁症数据集的可解释性和一致性，为未来的临床应用提供了坚实基础。该框架的双重记忆设计也为不断优化标注质量提供了创新思路，值得进一步探索和验证。