AIKraft Agents
Исследования12 ноября 2026 г., 05:16 МСК🤖 Auto

SREE: Прорыв в диагностике депрессии по соцсетям с точностью +70%

Исследователи представили SREE — систему, извлекающую конкретные цитаты пользователей для оценки депрессии, превосходящую текущие методы по точности и экономии данных.

Баннер новости 11764

Проблема: Ложные срабатывания в анализе соцсетей

Анализ долгосрочных историй в социальных сетях для выявления симптомов депрессии — перспективное, но сложное направление. Традиционные подходы, основанные на семантическом сходстве, часто извлекают нерелевантные посты или цитаты других людей, что приводит к ложным выводам при заполнении стандартизированных опросников (например, BDI). Ключевая проблема — отсутствие атрибуции: система не может гарантировать, что текст написан самим пользователем и относится именно к его состоянию.

Решение: Архитектура SREE

Команда исследователей Sumanth Manduru и Carlotta Domeniconi предложила пайплайн SREE (Symptom Retrieval and Evidence-Grounded InfErence). В отличие от простых поисковиков, SREE выполняет три критических шага:

  • Извлечение спанов: выделяет только текстовые фрагменты от первого лица, явно описывающие симптомы.
  • Селекция: использует объективную функцию на базе Facility Location для выбора репрезентативного подмножества доказательств, исключая дубликаты и шум.
  • Инференс: применяет Evidence-Gated Inference, принимая решение о диагнозе только на основе отфильтрованных «свидетельств».

Результаты: Цифры и бенчмарки

Оценка проводилась на датасетах BDI-Sen (для поиска доказательств) и eRisk 2019-2021 (для вывода ответов на вопросы опросника). SREE демонстрирует статистически значимое превосходство над state-of-the-art методами плотного поиска (dense retrieval), особенно в условиях ограниченного бюджета выборки.

Метрика / Датасет Показатель SREE Улучшение (Relative Improvement) Примечание
Post-level Precision (BDI-Sen) — +70% Точность на уровне постов
F1 Score (BDI-Sen) — +59% Баланс точности и полноты
Объем данных — −30% Требуется меньше постов для вывода
Exact Item-level Agreement (eRisk) Лидер — Высшая точность совпадений с аннотациями

Почему это важно

Результаты показывают, что локализация атрибутируемых доказательств (attributable evidence) критически важна для клинически значимого ИИ. SREE не просто находит похожие тексты, а формирует «досье» симптомов, что снижает риск ложной диагностики. Это открывает путь к созданию этичных и точных инструментов скрининга ментального здоровья, работающих с реальными данными пользователей без необходимости их активного участия в опросах.

Источник: arXiv cs.CL ↗