语言模型抑郁评分反映评分者

基于论文摘要，研究预注册了由11个开放模型、不同提示和评分设置组成的880个语言模型评分者，并用189次访谈对照八项患者健康问卷。结果显示，模型选择解释总症状评分方差的30.0%，稳定个体差异仅占10.5%；两名随机评分者在AUC≥0.70时对筛查结果有40%的分歧。对86次新访谈的锁定分析复现了主要发现，探索性校准使准确率由约60%升至75%并将分歧减半，但仍约五分之一参与者的判断不同。

摘自 arXiv · cs.AI

还没有足够的连续观测数据，暂不绘制趋势。