EmoTrack: Robust Depression Tracking from Counseling Transcripts across Session Regimes

Com base no artigo fornecido, segue um resumo técnico detalhado do EmoTrack.

Definição do Problema

O artigo aborda o desafio de prever robustamente a gravidade da depressão (medida pela pontuação PHQ-8) a partir de transcrições de aconselhamento baseadas em texto, em diferentes "regimes de sessão". Os métodos existentes enfrentam uma limitação de dois lados:

1. Métodos baseados em ajuste fino (fine-tuning): Embora possam aproveitar supervisão rica em configurações de múltiplas sessões com muitos dados, frequentemente generalizam mal quando os dados rotulados são escassos ou quando o regime-alvo muda (por exemplo, ao passar de múltiplas sessões para uma única sessão).
2. Métodos de LLM baseados em prompts: Estes são eficientes em termos de dados, mas geralmente tratam as transcrições de forma holística. Carecem de mecanismos para aprender evidências ao nível da fala ou explorar efetivamente a continuidade entre sessões, frequentemente falhando em distinguir entre sintomas da sessão atual e contexto histórico.

O problema central é construir um sistema que funcione bem em configurações de sessão única (onde apenas a transcrição atual está disponível) enquanto permanece eficaz em configurações de múltiplas sessões (onde sessões anteriores fornecem contexto), sem depender da concatenação do histórico completo, o que introduz ruído.

Metodologia: EmoTrack

Os autores propõem o EmoTrack, um quadro híbrido e adaptativo ao regime que combina sinais clínicos estruturados com incorporações semânticas. A arquitetura consiste em quatro componentes principais:

1. Representação de Entrada:

   • Ramo de Recursos Clínicos: Um LLM (Qwen3.5) extrai 23 recursos clínicos estruturados com base no esquema AIDA (cobrindo sintomas alinhados ao PHQ, padrões linguísticos e distorções cognitivas). Estes são normalizados e tokenizados.
   • Ramo de Diálogo: Um codificador de frases congelado (Qwen3-Embedding-8B) gera incorporações semânticas ao nível da fala apenas para as falas do cliente (as falas do conselheiro são excluídas, pois foram consideradas menos informativas).
   • O modelo concatena essas duas sequências de tokens em uma memória da sessão atual.

2. Backbone Codificador–Decodificador:

   • Um codificador Transformer processa os tokens concatenados para criar representações contextualizadas.
   • Um decodificador de consulta de sintomas PHQ utiliza 8 vetores de consulta aprendidos (um para cada sintoma PHQ-8) para realizar atenção cruzada sobre a saída do codificador. Isso permite que o modelo recupere evidências específicas de sintomas a partir da entrada heterogênea (recursos clínicos + falas semânticas) em vez de comprimir toda a transcrição em um único vetor.

3. Objetivo de Treinamento:

   • O modelo prevê pontuações de gravidade por sintoma ($\hat{y}_j \in [0, 3]$) e a pontuação total.
   • A função de perda combina uma perda Huber na pontuação total agregada com uma perda Huber auxiliar em sintomas individuais, ponderada por $\lambda_{sym}$.

4. Memória entre Sessões (Regime de Múltiplas Sessões):

   • Em vez de concatenar transcrições históricas completas, o EmoTrack utiliza um módulo de memória compacto para incorporar a sessão imediatamente anterior.
   • Caminho de Recuperação: As falas do cliente da sessão anterior são comprimidas em uma memória de tamanho fixo usando consultas de slot aprendidas e atenção multi-cabeça.
   • Caminho de Resumo: Um resumo grosseiro com média agrupada da sessão anterior também é gerado.
   • Atualizações com Portão: Tanto o histórico recuperado quanto o resumo são injetados seletivamente nas representações atuais de sintomas por meio de atualizações residuais com portão.
   • Dropout de Histórico: Durante o treinamento, a memória da sessão anterior é descartada aleatoriamente (probabilidade $p_{hist}$) para evitar dependência excessiva do histórico e garantir robustez em cenários de sessão única.

Principais Contribuições

1. Quadro EmoTrack: Um modelo prático que integra pistas clínicas estruturadas, semântica ao nível da fala e memória compacta de sessões anteriores. É projetado para ser eficaz tanto em regimes de sessão única quanto de múltiplas sessões.
2. Dataset LONGCOUNSEL-8: Um novo benchmark sintético de aconselhamento de múltiplas sessões projetado para preencher a lacuna de avaliação. Apresenta:
   • Trajetórias coerentes entre sessões (5 visitas por cliente).
   • Estados ocultos PHQ-8 prescritos que dirigem a geração do diálogo.
   • Supervisão padronizada ao nível da sessão PHQ-8.
   • Geração de diálogo realista calibrada contra dados reais de aconselhamento (RealCBT) para garantir fidelidade.
3. Avaliação Abrangente: Os autores avaliam o EmoTrack tanto no novo benchmark LONGCOUNSEL-8 quanto no benchmark estabelecido do mundo real de sessão única, DAIC-WOZ.

Resultados Experimentais

• Sessão Única (DAIC-WOZ): O EmoTrack alcança um Erro Absoluto Médio (MAE) de 2,44, representando uma redução relativa de 13,5% em comparação com a melhor linha de base (AIDA, MAE 2,82).
• Múltiplas Sessões (LONGCOUNSEL-8): O EmoTrack alcança um MAE de 2,65, performando competitivamente com a melhor linha de base longitudinal (Lau et al., MAE 2,67).
• Descobertas de Ablação:
  • Fontes de Entrada: Combinar recursos clínicos extraídos por LLM com incorporações ao nível da fala produz o melhor desempenho; remover qualquer um degrada os resultados.
  • Visão do Falante: Usar apenas falas do cliente supera o uso de falas do conselheiro ou de ambos, pois a evidência de depressão é expressa principalmente pelo cliente.
  • Memória: O mecanismo de memória compacta melhora o desempenho em sessões posteriores (S2–S5), mas não é o principal motor na primeira sessão (S1), onde não há histórico. A concatenação direta do histórico oferece pouco benefício.
  • Arquitetura: O decodificador de consulta de sintomas supera significativamente as cabeças padrão com média agrupada, preservando evidências específicas de sintomas.

Significado e Alegações

O artigo afirma que o EmoTrack oferece uma solução prática para o acompanhamento de depressão baseado em diálogo, que é robusto em diferentes regimes de dados. Ao afastar-se da promoção holística de LLMs ou do ajuste fino puro, a abordagem híbrida equilibra com sucesso a eficiência de dados com a capacidade de modelar contexto longitudinal.

Os autores enfatizam que:

• Robustez é fundamental: O modelo não depende de um único regime (sessão única vs. múltiplas sessões), mas adapta-se efetivamente a ambos.
• Lacuna de Avaliação Preenchida: O LONGCOUNSEL-8 fornece o primeiro benchmark controlado para avaliar o acompanhamento longitudinal de PHQ-8 com supervisão padronizada, uma capacidade ausente em conjuntos de dados reais existentes como o DAIC-WOZ (apenas sessão única) ou outros corpora sintéticos (faltando rótulos PHQ padronizados).
• Utilidade Clínica: O sistema é posicionado como uma ferramenta para monitorar a gravidade e sinalizar sessões de alto risco para revisão humana, em vez de um sistema de diagnóstico autônomo.

O artigo mantém modéstia quanto à sua aplicabilidade clínica, observando que a validação clínica longitudinal real permanece como trabalho futuro e que a avaliação atual é baseada em benchmarks. Destaca limitações, como a dependência de modelos upstream de código aberto e a necessidade de salvaguardas adicionais (por exemplo, estimativa de incerteza, privacidade) antes da implantação clínica.