💻 computer science

Evidence-Grounded Mapping of Multimodal Human Sensing Psychological Transdiagnostic Dimensions

本文通过使用 GLOBEM 数据集引入了一个包含临床医生在环（clinician-in-the-loop）的基准测试，旨在评估大语言模型利用多模态感知数据生成基于证据的 B-HiTOP 剖面的能力，并发现虽然语义抽象能有效地组织自评证据，但它对于间接的被动行为信号而言却充当了信息瓶颈。

原作者： Xiyun Hu, Xiangyuan Xue, Yuting Lyu, Hanya Shao, Jingping Nie

发布于 2026-08-27

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Xiyun Hu, Xiangyuan Xue, Yuting Lyu, Hanya Shao, Jingping Nie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象这样一个世界：你的手机和手表能够静静地追踪你的日常生活——你的睡眠模式、你走了多远、你与谁交谈，以及你在那一刻的感觉。多年来，研究人员一直希望将这些数据流转化为一个人心理健康的清晰图景，超越简单的清单，去理解人们体验痛苦时那些复杂且重叠的方式。与其询问某人是否患有抑郁或焦虑等特定疾病，一种被称为“精神病理学层级分类法”（Hierarchical Taxonomy of Psychopathology）的新方法建议，应该观察人类经验的广泛维度，例如情绪不稳定或社交退缩，这些维度通常在不同的症状中共同出现。挑战在于，如何将设备中原始、无声的信号转化为这些具有意义的心理学概念，而无需医生坐在那里进行解读。

在这项研究中，研究人员试图测试现代人工智能是否可以充当那个解读者。他们构建了一个系统，旨在测试大型语言模型（经过海量文本训练的高级计算机程序）是否能够观察一个人的日常数字足迹，并生成一份人类临床医生认为合理的心理状态概况。团队使用了一个名为 GLOBEM 的庞大数据集，该数据集包含了数千人多年的数据，包括来自设备的被动传感器读数、关于情绪的简短每日调查，以及关于整体福祉的较长问卷。由于原始数据集并不包含研究人员想要预测的特定心理健康评分，因此他们无法简单地检查计算机在传统意义上是否“正确”。相反，他们提出了一个更实际的问题：基于现有证据，计算机对一个人心理状态的猜测是否逻辑严密且站得住脚？

为了回答这个问题，研究人员创建了一个严谨的测试场，涉及近 15,000 个参与者生活的每日快照。他们要求人工智能预测 29 种不同的心理健康指标，范围从悲伤感到冲动控制问题。他们测试了计算机进行此操作的两种不同方式。在第一种方法中，计算机直接查看所有原始数据——传感器数值、调查答案和问卷结果——并尝试一次性为每个心理健康指标分配一个分数。在第二种方法中，计算机首先将数据总结成一段广泛的心理学描述，例如一段描述该人一般状态的短文，然后利用该摘要来分配具体的评分，而不再重新查看原始数字。

结果揭示了一个关于机器如何处理信息的令人惊讶的事实。当计算机依赖于自我报告数据（例如人们明确描述自己感受的每日调查和问卷）时，两步法效果显著更好。通过首先将零散的调查答案组织成一个连贯的故事，计算机能够对特定的心理健康症状做出更为合理的预测。然而，当计算机依赖于被动感知数据（例如某人的活动量或使用手机的频率）时，情况则完全不同。在这种情况下，两步法反而让计算机的表现变差了。当人工智能试图先将原始传感器数据总结成一段通用的描述时，它似乎丢失了进行准确判断所必需的微妙且具体的细节。计算机变得过于谨慎，经常为几乎所有指标分配最低的分数，实际上是在表达“一切正常”，即便数据可能暗示了其他情况。

这一发现表明，在使用人工智能进行心理健康监测时，并不存在单一的最佳方法。最有效的方法完全取决于所使用信息的类型。如果数据来自于人们向计算机讲述他们的感受，那么先对信息进行总结有助于计算机理解大局。但如果数据来自于追踪行为的静默传感器，先进行总结则会剥离掉那些至关重要的细节，成为阻碍计算机观察完整现实的瓶颈。研究结论指出，为了使这些系统真正发挥作用，必须根据它们所分析的数据的具体性质来进行设计，而不是采用“一刀切”的策略。这种精细的匹配对于我们将日常生活的无声信号转化为一种能真正帮助我们理解自身心理健康状态的工具而言，至关重要。

技术摘要：基于证据的多模态人类感知与心理转诊断维度的映射

问题陈述

移动和可穿戴设备使得对人类行为（如睡眠、移动性、社交互动）进行纵向观察成为可能，但如何将这些被动信号转化为具有临床意义且可验证的心理健康构念仍然是一个重大挑战。现有的数字表型研究通常局限于单一疾病的预测或离散的诊断类别，未能捕捉到精神病理学的重叠性和多维特性。此外，虽然分层心理病理学分类法（HiTOP）提供了一个转诊断框架，但将该框架应用于被动感知数据却十分困难，原因在于：

缺乏地面真值（Ground Truth）： 许多大规模数据集（如 GLOBEM）缺乏观测到的项目级 HiTOP 响应，导致传统的诊断准确率指标无法应用。
模态不匹配： 被动行为信号是间接且异质的，而临床构念则是具体的。
评估差距： 需要一个框架来评估大语言模型（LLM）是否能够从多模态数据中生成“基于证据”的假设，同时避免声称具有虚假的诊断精度。

方法论

作者引入了一个临床医生在环（clinician-in-the-loop）基准测试，旨在评估 LLM 将多模态证据映射到简版分层心理病理学分类法（B-HiTOP）的能力。

数据集与构建

来源： 使用了通用纵向行为建模（GLOBEM）数据集，该数据集包含多年的被动感知、生态瞬时评估（EMA）和问卷测量数据。
实例： 通过将每日被动感知特征与同周的 EMA 及调查前问卷数据进行匹配，构建了 14,592 个参与者-日实例。
目标： 针对五个谱系（内化、躯体化、脱离、失禁、思维障碍）中的 29 个 B-HiTOP 项目。仅保留那些能够提供临床辩护依据进行推理的项目（8 个直接支持，21 个部分支持）。
评估指标： 由于缺乏观测到的 B-HiTOP 响应，本研究通过评估**证据兼容性（Evidence Compatibility, $C$ $C$ ）**来进行评估。该指标衡量的是预测得分相对于可用证据的合理性，而非与地面真值标签的一致性。
- 合理（Reasonable）： 证据支持得分的方向和严重程度。
- 不合理（Unreasonable）： 证据与得分矛盾，或者在没有证据的情况下分配了非最低分（2–4 分）。
- 弃权（Abstention）： 当不存在相关证据且模型预测得分为 1（“完全没有”）时分配。这些情况在计算 $C$ 时会被排除，以区分“无症状”与“证据不足”。

实验设计

研究对比了两种预测流水线在三种证据设置（仅被动感知、仅 EMA/问卷、以及两者结合）下的表现：

直接流水线（Direct Pipeline）： LLM 接收原始证据块，并在单次推理调用中直接为所有 29 个项目分配得分。
两阶段流水线（Two-Stage Pipeline）：
- 第一阶段： LLM 仅基于证据生成结构化的心理抽象（psychological abstraction）（即五个谱系及整体情况的总结）。
- 第二阶段： LLM 仅基于第一阶段生成的抽象进行项目评分，不再接触原始证据。

模型与评估

模型： 评估了七种 LLM（DeepSeek V4 Pro, Grok 4.3, Kimi K2.6, Llama 4, Mistral Large 3, GPT 5.5, Lingshu 32B）。
AI 评估器： 使用固定的 GPT 5.4 模型根据原始证据评估预测的合理性。
人工验证： 三名执业临床医生对 300 个 AI 判断组成的分层样本进行了验证，以确保评估框架在临床上是可辩护的。

关键结果

1. 语义抽象的模态依赖性表现

两阶段流水线（语义抽象）的有效性高度依赖于输入模态：

EMA 与问卷证据： 两阶段流水线显著提高了证据兼容性。
- 平均 $C$ 值： 从 7.6%（直接模式）提升至 53.4%（两阶段模式）。
- 机制： 抽象过程有助于将异质的自我报告信号（情感、压力、焦虑）组织成适合进行项目级评分的连贯表示。
被动感知证据： 两阶段流水线显著降低了证据兼容性。
- 平均 $C$ 值： 从 80.6%（直接模式）下降至 21.8%（两阶段模式）。
- 机制： 将原始行为特征（如睡眠时长、移动性）转换为心理抽象起到了信息瓶颈的作用，丢弃了用于准确评分的关键细节，如特征量级、缺失模式以及细微的行为偏差。
结合证据： 两阶段流水线同样降低了兼容性（77.8% $\to$ 58.2%），这表明组织自我报告信息的收益被丢失的原始行为细节所抵消。

2. 得分分布偏移

两-阶段流水线在所有模型和谱系中都产生了更保守的得分分布。

得分明显向 1 分（“完全没有”）偏移，尤其是在思维障碍谱系中。
这表明严重程度的分化和预测覆盖范围有所下降，因为抽象过程可能会过滤掉识别高严重程度水平所需的信号。

3. 模型与波次间的一致性

（两阶段模式对自我报告提升、对感知数据降级的）趋势在所有七种 LLM 和四个研究波次中均保持一致，这表明该效应是由表示策略驱动的，而非特定的模型架构。

核心贡献

临床医生验证的基准： 构建了一个包含 14,592 个实例的基准测试，将 GLOBEM 多模态证据与 29 个经临床医生验证的 B-HiTOP 项目对齐，为在缺乏地面真值诊断的情况下进行基于证据的评估建立了标准。
证据兼容性框架： 引入了指标 $C$ ，它将实质性预测与弃权行为区分开来，从而在不需要观测临床标签的情况下评估模型的合理性。
关于抽象的实证发现： 证明了语义抽象是一种模态依赖型的表示选择。它作为一种有效的支架，用于将自我报告证据转化为临床构念；但对于间接的行为感知信号，它则充当了信息瓶颈。

意义与主张

本文主张，中间心理抽象并非心理画像中普遍优越的策略。相反，表示的选择必须与可用数据的模态、特异性和证据强度相匹配。

对于自我报告数据，抽象有助于组织碎片化的信号。
对于被动感知数据，直接获取原始行为特征至关重要，而抽象过程存在丢失临床相关细微差别的风险。

研究结论指出，未来的基于 LLM 的心理健康系统必须设计具有模态特定性的策略，避免采用“一刀切”的抽象方法，因为这种方法可能会在行为感知的语境下无意中抑制对症状的检测。该工作强调了“临床医生在环”验证的必要性，以确保在缺乏地面真值时，AI 生成的假设仍具有临床可辩护性。