近日，beat365官方网站周廣玉課題組在國際健康心理學期刊Applied Psychology: Health and Wellbeing上發表題為Enhancing Health Assessments with Large Language Models: A Methodological Approach的論文。該研究提出了一種創新的健康心理學評估方法ScaleLLM，利用大語言模型（LLMs）提高了身心健康評估的準确性和可解釋性。

在健康心理學中，評估個體的身體與心理健康狀态對制定有效的幹預策略至關重要。傳統評估方法依賴于線性統計分析，盡管簡便易行，但難以全面反映健康相關因素之間的複雜互動，導緻預測精度有限。同時，盡管機器學習模型具備較強的預測能力，但其對大數據集的依賴性和缺乏可解釋性限制了其在健康評估中的廣泛應用。

為解決這些問題，研究團隊提出了ScaleLLM。該方法基于LLM的自然語言理解和推理能力，通過三層評估機制大幅提升了健康評估的準确性和解釋性。首先，語言對齊模塊将量表數據翻譯為自然語言，使ScaleLLM能夠更好地理解和處理這些數據。其次，知識對齊模塊通過整合教科書知識、互聯網知識和統計數據，增強了ScaleLLM的專業知識。最後，ScaleLLM在無監督條件下進行健康評估，并結合鍊式推理、上下文學習等策略，生成預測結果及其解釋。

實驗結果表明，ScaleLLM在多個健康評估任務中表現優異。研究團隊使用了心髒病、糖尿病和心理健康三個數據集進行測試，結果顯示，ScaleLLM在預測準确性和可解釋性方面均優于傳統機器學習模型和現有的LLM模型。

本研究的創新之處在于，它不僅提升了健康評估的預測準确性，還通過解釋模型預測結果的推理過程，增強了其透明度。這種方法為未來的健康心理學評估工具開發提供了重要的理論支持和技術基礎。

本文第一作者為實驗室2024級博士生王曦，通訊作者為周廣玉研究員。本研究得到了國家社會科學基金（21BSH158）資助。

論文：Wang X., Zhou Y., Zhou G. (2024). Enhancing Health Assessments with Large Language Models: A Methodological Approach. Applied Psychology: Health and Wellbeing. http://doi.org/10.1111/aphw.12602

2024-10-12