MH-EABERT：一种融合情绪知识增强BERT的自适应融合方法，用于社交媒体可解释心理健康情感分析

尽管深度学习模型在心理健康筛查中达到了较高准确率，但其固有的“黑箱”性质妨碍了临床信任，而纯基于规则的系统又无法动态把握诸如讽刺等复杂的语言细微之处。为严格弥合这一关键研究空白，本研究提出 MH-EABERT（心理健康情绪增强 BERT），这是一种新颖的神经符号框架，将领域特定的临床知识与深度语义学习无缝整合，从而大幅提升分类准确率与显式可解释性。我们构建了心理健康情绪词典（MHEL），将 13,872 个情绪词项和 181 个临床短语映射到六个认知维度。该架构在五个不同的计算模块上运行，利用情绪知识抽取（EKE）评分器应用 10 条临床逻辑规则，以区分病理状态与一般性痛苦。为防止语义失真，自适应融合（SAF）算法基于持续置信度校准动态调控知识注入。我们采用数学上的“硬定位”，将临床语境直接嵌入句子结构，迫使 BERT 的注意力机制将其作为整体语义进行处理。综合评估采用 5 折交叉验证并在 5 个随机种子上重复，在三个多样化数据集——Reddit 社区（151,288 条帖子）、综合心理健康数据集（53,043 条陈述）和合成帖子（1000 个样本）——上进行，结果显示其相对于包括 RoBERTa、XLNet、DistilBERT、MentalBERT 和 ClinicalBERT 在内的最先进基线具有统计学显著优越性（\(p < 0.0001\)）。关键在于，所有被评估模型均在完全相同的实验设置下进行严格训练与测试。MH-EABERT 在 Reddit 数据上达到 87.97% 的峰值准确率，并将自杀检测的假阴性率从 14.67% 显著降至 8.55%。大量消融研究和 SHAP 分析证实，预测建立在透明、可审计的临床特征之上。MH-EABERT 朝着临床可依托、高度可解释的 AI 系统迈出了重要一步，此类系统能够从非结构化社交媒体文本中实现可靠、自动化的分诊。为确保绝对可复现性，代码、词典和框架权重已在 https://doi.org/10.5281/zenodo.23285908 公开提供。

中文由 AI 翻译，仅供参考，以原文为准。