智能AI
morning
与预训练模型的多模态融合,用于从情绪动力学预测心理治疗结果
2026-11-17
1 阅读
约1分钟阅读
Tobias Hallmen, Marius Funk, Antonia Vehlen, Jeanne Hierse, Gerhard Prinz, Steffen Eberhardt, Wolfgang Lutz, Elisabeth Andr\'e
字号:
arXiv:2611.18635v1 公告类型:新 摘要:治疗期间的情绪动态与心理治疗结果相关,但难以大规模测量。预训练的多模态模型可以自动访问面部、声音和文本信号,但临床数据集仍然很小。我们的研究问题是预训练的多模态表示如何在数据稀缺的情况下最好地支持心理治疗结果预测。三项研究使用了来自 88 名患者的 106 个疗程和 9 个疗程级别的结果量表(HSCL-11、EPO-1、POMS)。研究 1 询问深度学习是否优于经典机器学习:两阶段深度管道,首先预测窗口级效价/唤醒,然后预测会话结果,传输效果不佳(最佳单一配置,$r=.078$)。研究 2 询问哪种表示和预处理选择最有效:将冷冻预训练嵌入与正则化经典模型进行统计汇集,在每个尺度配置选择下,在九个尺度上实现了平均 $r=.406$,对于症状困扰高达 $r=.490$,采用补充模式,并且从手动情感注释或治疗师特征中没有显着受益。研究 3 询问深度学习在这些选择下是否仍处于劣势:经典模型在单配置级别($r=.281$ vs. $.222$)以及在匹配的每尺度选择下的所有九个尺度上优于优化的单阶段深度模型($.406$ vs. $.252$)。结果表明,在临床数据稀缺的情况下,具有固定统计池和正则化经典模型的预训练表示比学习聚合更可靠。
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱