近日，北京大学心理与认知科学学院周广玉课题组在国际健康心理学期刊Applied Psychology: Health and Wellbeing上发表题为Enhancing Health Assessments with Large Language Models: A Methodological Approach的论文。该研究提出了一种创新的健康心理学评估方法ScaleLLM，利用大语言模型（LLMs）提高了身心健康评估的准确性和可解释性。

在健康心理学中，评估个体的身体与心理健康状态对制定有效的干预策略至关重要。传统评估方法依赖于线性统计分析，尽管简便易行，但难以全面反映健康相关因素之间的复杂互动，导致预测精度有限。同时，尽管机器学习模型具备较强的预测能力，但其对大数据集的依赖性和缺乏可解释性限制了其在健康评估中的广泛应用。

为解决这些问题，研究团队提出了ScaleLLM。该方法基于LLM的自然语言理解和推理能力，通过三层评估机制大幅提升了健康评估的准确性和解释性。首先，语言对齐模块将量表数据翻译为自然语言，使ScaleLLM能够更好地理解和处理这些数据。其次，知识对齐模块通过整合教科书知识、互联网知识和统计数据，增强了ScaleLLM的专业知识。最后，ScaleLLM在无监督条件下进行健康评估，并结合链式推理、上下文学习等策略，生成预测结果及其解释。

实验结果表明，ScaleLLM在多个健康评估任务中表现优异。研究团队使用了心脏病、糖尿病和心理健康三个数据集进行测试，结果显示，ScaleLLM在预测准确性和可解释性方面均优于传统机器学习模型和现有的LLM模型。

本研究的创新之处在于，它不仅提升了健康评估的预测准确性，还通过解释模型预测结果的推理过程，增强了其透明度。这种方法为未来的健康心理学评估工具开发提供了重要的理论支持和技术基础。

本文第一作者为实验室2024级博士生王曦，通讯作者为周广玉研究员。本研究得到了国家社会科学基金（21BSH158）资助。

论文：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