大语言模型增强的微博用户抑郁症细粒度识别方法研究.pdfVIP

190情报理论与实践第48卷2025年第12期信息系统

1112

●周利琴，王晨，刘佳琪，巴志超

（1.华中科技大学医药卫生管理学院，湖北武汉430030；2.南京大学数据管理创新研究中心，江苏

苏州215163）

大语言模型增强的微博用户抑郁症细粒度识别方法研究*

摘要［目的/意义］针对社交媒体抑郁症识别中存在的文本抑郁特征稀疏、跨领域语义鸿沟及现有方法细粒度分析

：

不足等问题，探索构建一套融合大语言模型与深度学习的抑郁症细粒度识别框架，应用于微博用户的多维抑郁症识别任

务。［方法/过程］基于DSM-5临床诊断标准设计结构化提示模板，利用DeepSeek-v3大语言模型从用户异构文本中自动提取

症状特征、情绪特征及诱因特征，构建用户级症状—情绪—诱因特征文本。设计PLM-BiLSTM-Attention融合模型，完成抑

郁程度分级评估及诱因细化识别。［结果/结论］“大模型+临床诊断标准”方法实现社交媒体文本与临床诊断标准的语义映

射，在特征提取任务性能较传统方法有一定提升；融合模型在抑郁程度分级评估和抑郁诱因识别任务中取得较好性能。实

验验证这个框架在社交媒体语境下的实用性，为心理健康人工智能筛查提供可行路径。［局限］当前研究受限于中文单模

态数据，未来可以引入多模态数据进行进一步性能提升。

关键词抑郁症；多维特征提取；大语言模型；细粒度识别；微博用户

：

DOI：10.16353/j.cnki.1000-7490.2025.12.019

引用格式周利琴，王晨，刘佳琪，巴志超．大语言模型增强的微博用户抑郁症细粒度识别方法研究［J］．情报理论

：

与实践，2025，48（12）：190-199．

Fine-GrainedDepressionDetectionMethodforWeiboUsersBasedonEnhancedLargeLanguageModels

1112

ZhouLiqin，WangChen，LiuJiaqi，BaZhichao

（1.SchoolofMedicineandHealthManagementofHuazhongUniversityofScienceandTechnology，HubeiWuhan430030；

2.ResearchInstituteforDataManagementInnovationofNanjingUniversity，JiangsuSuzhou215163）

Abstract：［Purpose/significance］Thisstudyaddresseschallengesindepressiondetectiononsocialmedia，includingsparse

depressivetextfeatures，cross-domainsemanticgaps，andinsufficientfine-grainedanalysisinexistingmethods.Itaimstodevelopa

fine-graineddepressionrecognitionframeworkintegratinglargelanguagemodelsanddeeplearning，appliedtomulti-dimensionalde‐

pressionidentificationforWeibousers.［Method/process］StructuredprompttemplatesbasedonDSM-5clinicaldiagnosticcriteria