[论文解读] Affective Conditioning on Hierarchical Networks applied to Depression Detection from Transcribed Clinical Interviews

Danai Xezonaki, Georgios Paraskevopoulos+2 more|arXiv (Cornell University)|Jun 4, 2020

Mental Health via Writing参考文献 26被引用 6

一句话总结

本文提出了一种使用外部词典进行情感调节的层次化注意力网络，以提升从转录临床访谈中检测抑郁症的表现。通过将心理语言学特征与情感特征整合到注意力机制中，该模型在通用心理治疗语料库上取得了71.6的F1分数，在DAIC-WoZ 2017数据集上取得了68.6的F1分数，展现出更优的性能与鲁棒性，尤其在低资源场景下表现突出。

ABSTRACT

In this work we propose a machine learning model for depression detection from transcribed clinical interviews. Depression is a mental disorder that impacts not only the subject's mood but also the use of language. To this end we use a Hierarchical Attention Network to classify interviews of depressed subjects. We augment the attention layer of our model with a conditioning mechanism on linguistic features, extracted from affective lexica. Our analysis shows that individuals diagnosed with depression use affective language to a greater extent than not-depressed. Our experiments show that external affective information improves the performance of the proposed architecture in the General Psychotherapy Corpus and the DAIC-WoZ 2017 depression datasets, achieving state-of-the-art 71.6 and 68.6 F1 scores respectively.

研究动机与目标

• 通过利用语言与情感线索的计算模型，提升临床访谈中的抑郁症检测性能。
• 探究外部情感词典如何增强神经网络在低资源抑郁症检测任务中的表现。
• 开发一种层次化注意力架构，以建模治疗会话中的词级与回合级表征。
• 评估治疗师与来访者言语及会话摘要对模型性能的影响。
• 将心理语言学元数据与情感特征整合到注意力机制中，以提升模型的可解释性与准确性。

提出的方法

• 采用两阶段层次化RNN，使用双向GRU在词级与回合级处理序列。
• 在两个层级均应用注意力机制，通过加权显著词与回合生成上下文感知表征。
• 通过将六个情感词典（LIWC、AFINN、MPQA、Semeval15、Emolex、Bing Liu）的99维特征融合至词级注意力机制，实现情感调节。
• 模型使用300维GloVe词嵌入，并应用0.2的dropout；参数通过Adam优化，学习率为10^-3。
• 将会话摘要（S）与外部词典（L）引入架构，形成HAN+L与HAN+L+S两种变体。
• 模型训练采用早停策略，共40个周期，以最小化验证损失为目标。

实验结果

研究问题

• RQ1 使用外部词典进行情感调节是否能提升临床访谈中抑郁症检测的性能？
• RQ2 心理语言学特征的整合如何影响模型在低资源设置下的鲁棒性？
• RQ3 来访者与治疗师言语在抑郁症检测中的相对贡献如何？
• RQ4 引入会话摘要是否能进一步提升模型性能？
• RQ5 所提出的模型在标准抑郁症检测数据集上与SOTA基线相比表现如何？

主要发现

• HAN+L+S模型在通用心理治疗语料库上取得了71.6的F1分数，优于所有基线模型。
• 在DAIC-WoZ 2017数据集上，HAN+L模型达到68.6的F1分数，显著优于基线HAN（F1: 47）与先前模型（HLGAN的F1: 60）。
• 仅使用来访者言语的回合时性能最高，表明来访者言语比治疗师言语更具信息量，对抑郁症检测更为关键。
• 引入会话摘要带来了与外部词典相当或更优的性能提升，尤其在摘要数据可用时表现更佳。
• 情感词典的整合显著提升了模型性能，尤其在低资源场景下，展现出更强的鲁棒性与泛化能力。
• 情感调节机制成功引导注意力聚焦于情感显著的语言特征，提升了模型的可解释性与准确性。