基于大语言模型的叙事文本焦虑预测：不同模型、提示词风格的比较
Anxiety Prediction in Narrative Texts Based on Large Language Models: A comparison of Model Selection and Prompting Styles
-
作者：
翟予童
1,2
王文谦
1,2
任程
1,2
罗敏
1,2
朱廷劭
1,2
-
作者单位：
- 通讯作者：
朱廷劭
Email:tszhu@psych.ac.cn
-
提交时间：2026-03-09 13:48:29
摘要: 焦虑主要包括主观焦虑体验、认知警觉、生理和躯体症状等方面。随着社交媒体发展，从个体文本数据识别焦虑辅助临床治疗具有广泛应用前景。过往多采用传统机器学习方法来识别文本中焦虑，但准确率均不佳。近年来发展起来的大语言模型为文本焦虑识别提供了新的可能路径，本研究探讨了不同模型以及不同提示词风格下，大语言模型识别自我报告叙事文本中焦虑的效果。研究中，四位专家对50个文本预打分，评分者一致性良好，之后对最终252个文本进行专家评分。在四种提示词策略（zero-shot、few-shot、chain of thought、few-shot + chain of thought）引导下采用Qwen-max和Deepseek-reasoner来进行大模型评分。结果发现Qwen-max与专家一致性达到0.8左右，显著优于deepseek-reasoner（0.6-0.7）。有示例且有思维链(few-shot + chain of thought)的提示词评估效果最优，无示例也无思维链(zero-shot)提示词效果最不佳，Qwen-max相比Deepseek-reasoner对于不同提示策略更不敏感。另外，对于Deepssek-reasoner，提示词中的示例（相比思维链）对其评估提升更有帮助。本研究为未来文本中焦虑的评估筛查提供初步技术方案。
版本历史
| [V1] |
2026-03-09 13:48:29 |
ChinaXiv:202603.00044V1
|
下载全文 |
相关信息
待评议
点击量
下载量
