面向可解释抑郁症症状标注的自我进化人类中心框架

这篇论文提出一个自我进化、专家在环的标注框架，结合大语言模型辅助与专家验证，用于构建符合DSM-5-TR标准的可解释抑郁症数据集。框架分三个阶段：候选证据选择、标准级分析、案例综合，并采用双记忆架构（示例记忆与反思记忆）内化专家反馈，无需重新训练即可迭代改进标注。初步研究显示，该方法提高了标注一致性和可解释性，减少了人工修订工作量。

现有抑郁症数据集标注缺乏结构化证据和症状级理由，无法追溯至DSM-5-TR标准，限制了透明度和下游模型可解释性。本框架首次将专家反馈内化至双记忆架构，使标注过程可审计且可自动改进，为构建可靠可解释的心理健康AI系统提供了基础数据支撑。

框架工作流程：1) 从文本记录中选取候选证据；2) 针对每条DSM-5-TR标准进行证据分析；3) 综合生成标签级的诊断与严重性标注。双记忆架构中，示例记忆存储过去标注案例，反思记忆记录专家对错误的修正策略，在后续标注中自动检索并应用改进，无需重训练模型。

对于开发心理健康AI产品的团队，该框架能提升训练数据的质量、一致性和可解释性，降低人工标注成本，同时输出临床证据、推理轨迹和编辑历史，便于审计和模型调试。可加速可解释抑郁症检测产品的研发。

• 开发基于该框架的半自动标注工具，面向心理诊所或临床研究机构提供数据标注服务，输出符合DSM-5-TR的结构化数据集。
• 将框架适配至其他精神障碍（如焦虑症、双相情感障碍）的标注，扩展应用场景。
• 提供数据标注外包服务，利用框架减少专家审核工时，降低客户标注成本。

• 框架在多轮反馈循环中的实际性能提升尚未被评估（论文提及未来工作）。
• 框架在不同语言（如中文）或文化背景下的有效性未知。
• 专家验证环节所需的具体时间和成本尚未量化。
• 框架对标注人员专业水平的要求（是否需要临床医生）未明确。