研究比较四种机器学习方法识别痴呆照护者负担

一项预印本研究比较了四种机器学习与AI方法，用于从去标识化的照护者与临床医生对话转录文本中识别痴呆照护者负担，以Zarit负担评分为参照。据作者Klein等报告，在COPE in PACE研究的转录文本中，朴素基线（对每份转录均预测存在负担）的精确率/F1为0.40/0.57，大语言模型提示为0.43/0.60，弱监督为0.48/0.58；全监督模型在仅1.1%句子为负担阳性的句级标签上训练，精确率/F1为0.19/0.25，作者称该结果因标签与分析单元不同而不宜直接比较。作者表示，大语言模型提示无需微调即小幅优于弱监督与朴素基线，而类别不平衡限制了全监督句级分类，临床部署仍需更大标注语料与改进的标注策略。