Explainable cognitive decline detection in free dialogues with a Machine Learning approach

本文是LLM系列文章，针对《Explainable cognitive decline detection in free dialogues with a Machine Learning approach based on pre-trained Large Language Models》的翻译。

摘要

认知和神经系统障碍非常常见，但只有一小部分受影响的人得到诊断和治疗，部分原因是频繁筛查的成本高昂。通过有效且高效的智能系统检测疾病前期阶段并分析神经系统疾病的进展，有利于及时诊断和早期干预。我们建议使用大型语言模型从自由对话中提取特征来检测认知能力下降。这些功能包括与内容无关的高级推理功能（例如理解力、意识下降、注意力分散和记忆问题）。我们的解决方案包括（i）预处理，（ii）通过自然语言处理技术和提示工程进行特征工程，（iii）特征分析和选择以优化性能，以及（iv）由自动可解释性支持的分类。我们还探索如何利用模型中的最佳特征来提高 Chatgpt 的直接认知障碍预测能力。获得的评估指标认可了将特征提取与 Chatgpt 和专门的机器学习模型相结合的混合方法的有效性，以检测与老年人的自由形式对话对话中的认知衰退。最终，我们的工作可能有助于开发一种廉价、无创且快速的方法来检测和解释认知能力下降。

1 引言

2 相关工作

3 方法

4 评估和讨论

5 结论

这项工作首次将机器学习技术应用于使用 LLMS 从自由对话中提取的高级推理特征，以检测 Celia 娱乐聊天机器人的认知衰退。高级推理特征与上下文无关，因此比词嵌入或内容相关特征更广泛地适用于描述自由对话。它们还支持使用可解释性技术对决策进行更可解释的描述。与参与系统进行自由对话的基本优势在于，它们可以鼓励最终用户参与纵向研究，由于手动筛查的成本高昂，目前纵向