基于提示的社交媒体文本精简中文专业翻译
内容提要
该文综述大型语言模型在心理健康与临床决策中的应用：ChatGPT零样本分类在心理健康任务中具潜力，情感提示可提升其性能；MentalLLaMA支持可解释分析；上下文提示有助于数据稀缺下的分类；ChatGPT自杀风险评估准确但不及微调模型；GPT-3可生成人格对话数据；GPT还可检测非法药物交易并用于对话系统评估。
延伸解读
提示策略的双刃剑：情感注入需谨慎
文章指出，情感提示能提升ChatGPT在心理健康任务中的表现，但强调“需要正确的情感注入方式”。这意味着提示设计并非简单添加情感词，错误的情感引导可能适得其反。读者应关注提示策略的细微差别，而非盲目套用。
专用模型与通用模型的性能差距
在自杀风险评估任务中，ChatGPT虽达到相当准确率，但微调后的Transformer模型表现更优。这提示在关键心理健康场景中，通用大模型未必是最佳选择，针对特定任务微调的专用模型仍具优势，选择工具时需权衡准确性与易用性。
数据稀缺下的上下文提示价值
研究显示，在临床决策数据稀缺时，精心设计的上下文提示（包含任务描述、特征和领域知识）能实现高质量分类。这为资源有限的环境提供了实用思路：通过优化提示工程，可在不大量标注数据的情况下利用LLM辅助决策。
可解释性与检测能力的拓展
MentalLLaMA在可解释性心理健康分析上接近最先进判别方法，而GPT框架在非法药物交易检测中优于基准模型，即使面对隐晦语言仍有效。这表明LLM不仅能分类，还能提供解释和应对规避手段，拓展了社交媒体分析的边界。
Q&A
ChatGPT在心理健康文本分类任务中的表现如何？
ChatGPT在零样本分类中表现出一定准确度，表明大型语言模型对心理健康分类任务具有潜在应用价值。但经过微调的基于变压器的模型在自杀风险评估等任务上表现更优。
情感提示如何影响ChatGPT在心理健康分析中的性能？
情感提示可以有效提高ChatGPT在心理健康分析和情感推理任务中的性能，但需要正确的情感注入方式。
MentalLLaMA是什么？它有什么特点？
MentalLLaMA是第一个用于社交媒体可解释性心理健康分析的开源语言模型系列，通过IMHI数据集在正确性和解释质量方面接近最先进的判别方法。
在数据稀缺情况下，如何利用大型语言模型进行临床决策分类？
可以采用上下文提示策略，即策略性地设计包括任务描述、特征描述和领域知识整合的提示，进行高质量的二元分类任务。这种方法在数据稀缺时仍能有效应用。
ChatGPT在自杀风险评估任务中的表现与微调模型相比如何？
ChatGPT在自杀风险评估任务中获得了相当的准确性，但经过微调的基于变压器的模型表现出更优异的性能。调整ChatGPT的超参数（如温度）可以提高其协助心理健康专业人士的能力。
如何利用GPT-3生成带人格标签的对话数据？
使用GPT-3生成25000段带有大五人格特征标签的对话，然后训练分类模型，并使用2500条真实标注数据进行评估。结果显示，使用Adapter-Transformers和预训练的RoBERTa情感分析模型的迁移学习在生成数据上表现最佳。
大型语言模型如何用于检测社交媒体上的非法药物交易？
通过利用ChatGPT和知识驱动提示构建分析框架，可以系统研究社交媒体上的非法药物交易活动。实验结果表明该框架在药物贩运检测准确性方面优于其他基准语言模型，即使交易者使用隐晦语言和委婉语也能有效识别。
