Human Empathy as Encoder: AI-Assisted Depression Assessment in Special Education
作者: Boning Zhao, Xinnuo Li, Yutong Hu
分类: cs.HC, cs.AI, cs.CL
发布日期: 2025-05-29 (更新: 2025-10-05)
备注: 7 pages, 6 figures, ACII 2025
💡 一句话要点
提出HEAE框架，融合人类同理心与AI，提升特殊教育中抑郁症评估的准确性。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 情感计算 抑郁症评估 特殊教育 人机协作 多模态融合
📋 核心要点
- 现有抑郁症评估方法在特殊教育场景中面临挑战，标准化问卷和自动化方法难以捕捉学生真实情况和教师的同理心。
- HEAE框架通过将教师的同理心转化为9维向量，并与学生叙述文本融合，为AI提供结构化的人类洞察。
- 实验结果表明，HEAE框架在7级抑郁症严重程度分类中达到了82.74%的准确率，验证了该方法有效性。
📝 摘要（中文）
在特殊教育等敏感环境中评估学生的抑郁症具有挑战性。标准问卷可能无法完全反映学生的真实情况，而自动方法在处理丰富的学生叙述时常常失效，缺乏教师与学生之间同理心联系所产生的关键的、个性化的见解。现有方法通常无法解决这种模糊性或有效地整合教育者的理解。为了通过促进人-AI协同来解决这些局限性，本文介绍了一种新颖的、以人为中心的AI框架——Human Empathy as Encoder (HEAE)，用于透明且具有社会责任感的抑郁症严重程度评估。我们的方法独特地将学生叙述文本与教师导出的、9维的“同理心向量”(EV)相结合，其维度由PHQ-9框架指导，以显式地将隐性同理心洞察力转化为结构化的AI输入，从而增强而非取代人类判断。严格的实验优化了多模态融合、文本表示和分类架构，实现了7级严重程度分类的82.74%的准确率。这项工作展示了一条通过结构化地嵌入人类同理心来实现更负责任和更合乎道德的情感计算的道路。
🔬 方法详解
问题定义：论文旨在解决特殊教育环境中抑郁症评估的难题。现有方法，如标准化问卷和纯粹的自动化方法，无法充分利用教师对学生的同理心和深入理解，导致评估结果不够准确和个性化。现有方法难以有效整合教师的隐性知识，并且缺乏透明度和可解释性。
核心思路：论文的核心思路是将教师的同理心显式地编码为一种结构化的输入，即“同理心向量”（Empathy Vector, EV），并将其与学生的叙述文本相结合，作为AI模型的输入。这种方法旨在弥合人类直觉和机器智能之间的差距，使AI能够更好地理解学生的心理状态。通过将教师的同理心纳入模型，可以提高评估的准确性和可靠性。
技术框架：HEAE框架包含以下主要模块：1) 学生叙述文本的预处理和特征提取；2) 教师基于PHQ-9框架对学生进行同理心评估，生成9维的同理心向量；3) 多模态融合模块，将文本特征和同理心向量进行融合；4) 分类器，用于预测抑郁症的严重程度。整体流程是：教师阅读学生叙述，给出同理心向量，然后将向量和文本输入模型进行预测。
关键创新：该论文最重要的技术创新点在于将人类的同理心显式地编码为一种结构化的向量表示，并将其作为AI模型的输入。与现有方法相比，HEAE框架能够更好地整合人类的专业知识和直觉，从而提高评估的准确性和可靠性。此外，该框架还具有更高的透明度和可解释性，因为同理心向量的维度与PHQ-9框架相关联。
关键设计：同理心向量的维度由PHQ-9框架指导，确保其能够捕捉到抑郁症的关键特征。多模态融合模块采用了优化的融合策略，以有效地结合文本特征和同理心向量。分类器采用了合适的网络结构，并经过了充分的训练和优化，以实现最佳的分类性能。具体的文本表示方法、融合策略和分类器结构在实验部分进行了详细的描述和比较。
🖼️ 关键图片
📊 实验亮点
实验结果表明，HEAE框架在7级抑郁症严重程度分类中达到了82.74%的准确率，显著优于传统的自动化方法。通过对多模态融合、文本表示和分类架构的优化，HEAE框架能够有效地整合人类的同理心和机器智能，从而提高评估的准确性和可靠性。该研究为情感计算领域提供了一种新的思路和方法。
🎯 应用场景
该研究成果可应用于特殊教育、心理咨询等领域，辅助教师和心理医生更准确地评估学生的心理健康状况，并制定个性化的干预方案。通过结构化地嵌入人类同理心，该方法有望推广到其他情感计算任务中，例如客户服务、人机交互等，提升AI系统的智能化水平和人情味。
📄 摘要（原文）
Assessing student depression in sensitive environments like special education is challenging. Standardized questionnaires may not fully reflect students' true situations. Furthermore, automated methods often falter with rich student narratives, lacking the crucial, individualized insights stemming from teachers' empathetic connections with students. Existing methods often fail to address this ambiguity or effectively integrate educator understanding. To address these limitations by fostering a synergistic human-AI collaboration, this paper introduces Human Empathy as Encoder (HEAE), a novel, human-centered AI framework for transparent and socially responsible depression severity assessment. Our approach uniquely integrates student narrative text with a teacher-derived, 9-dimensional "Empathy Vector" (EV), its dimensions guided by the PHQ-9 framework,to explicitly translate tacit empathetic insight into a structured AI input enhancing rather than replacing human judgment. Rigorous experiments optimized the multimodal fusion, text representation, and classification architecture, achieving 82.74% accuracy for 7-level severity classification. This work demonstrates a path toward more responsible and ethical affective computing by structurally embedding human empathy