Who We Are, Where We Are: Mental Health at the Intersection of Person, Situation, and Large Language Models
作者: Nikita Soni, August Håkan Nilsson, Syeda Mahwish, Vasudha Varadarajan, H. Andrew Schwartz, Ryan L. Boyd
分类: cs.CL, cs.AI, cs.HC, cs.LG
发布日期: 2026-03-06
DOI: 10.18653/v1/2025.clpsych-1.27
💡 一句话要点
结合个体与情境，利用大语言模型预测社交媒体用户的心理健康状态。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 心理健康 社交媒体 大语言模型 情境感知 个体心理特征
📋 核心要点
- 现有心理健康评估方法缺乏对个体差异和情境因素的综合考虑，难以准确捕捉心理状态的动态变化。
- 论文提出一种整合个体心理特征和情境因素的框架，利用社交媒体数据和语言模型预测心理健康状态。
- 实验结果表明，该方法在预测福祉方面表现出竞争力，并提供更强的可解释性，有助于理解心理健康的影响因素。
📝 摘要（中文）
心理健康并非固定不变的特质，而是受个体性格倾向和情境因素相互作用影响的动态过程。基于互动主义和建构主义心理学理论，本文构建可解释的模型，用于预测福祉，并识别纵向社交媒体数据中适应性和不适应性的自我状态。该方法整合了个体层面的心理特征（如韧性、认知扭曲、内隐动机）与从情境8 DIAMONDS框架推断出的语言情境特征。我们将这些基于理论的特征与心理测量学语言模型中的嵌入进行比较，该模型捕捉时间和个体特定的模式。结果表明，我们基于原则、理论驱动的特征在提供更高可解释性的同时，提供了具有竞争力的性能。定性分析进一步突出了最能预测福祉的特征的心理连贯性。这些发现强调了将计算建模与心理学理论相结合，以情境敏感和人类可理解的方式评估动态心理状态的价值。
🔬 方法详解
问题定义：该论文旨在解决心理健康评估中缺乏对个体和情境因素综合考虑的问题。现有方法通常将心理健康视为固定特质，忽略了其动态性和情境依赖性，难以准确捕捉个体在不同情境下的心理状态变化。
核心思路：论文的核心思路是将个体心理特征（如韧性、认知扭曲等）与情境因素（通过分析社交媒体文本推断）相结合，构建模型来预测个体的心理健康状态。这种方法基于互动主义和建构主义心理学理论，认为心理健康是个人特质与情境相互作用的结果。
技术框架：整体框架包括以下几个主要模块：1) 数据收集：收集用户的社交媒体文本数据；2) 特征提取：提取个体心理特征（如使用心理测量量表）和情境特征（使用Situational 8 DIAMONDS框架）；3) 模型构建：构建预测模型，将个体和情境特征作为输入，预测心理健康指标（如福祉）；4) 模型评估与解释：评估模型的预测性能，并分析重要特征，以理解个体和情境因素对心理健康的影响。
关键创新：该论文的关键创新在于整合了心理学理论和计算建模，将个体心理特征和情境因素纳入心理健康评估。与传统方法相比，该方法更注重心理健康的动态性和情境依赖性，能够提供更全面和细致的评估。此外，论文还使用了心理测量学语言模型，以捕捉时间和个体特定的语言模式。
关键设计：论文使用了Situational 8 DIAMONDS框架来提取情境特征，该框架包含8个维度，用于描述情境的特征。此外，论文还使用了心理测量量表来评估个体心理特征。在模型构建方面，论文比较了多种机器学习模型，并选择了性能最佳的模型。具体的参数设置和网络结构在论文中可能没有详细说明，属于未知信息。
🖼️ 关键图片
📊 实验亮点
研究结果表明，基于理论驱动的特征在预测福祉方面表现出竞争力，同时提供更强的可解释性。定性分析进一步验证了最能预测福祉的特征的心理连贯性。虽然论文没有给出具体的性能数据和提升幅度，但强调了该方法在可解释性方面的优势。
🎯 应用场景
该研究成果可应用于个性化心理健康干预、社交媒体心理健康监测、以及用户画像构建等领域。通过分析用户的社交媒体数据，可以及时发现潜在的心理健康问题，并提供有针对性的支持和帮助。此外，该研究还可以帮助企业更好地了解员工的心理状态，从而制定更有效的员工关怀计划。
📄 摘要（原文）
Mental health is not a fixed trait but a dynamic process shaped by the interplay between individual dispositions and situational contexts. Building on interactionist and constructionist psychological theories, we develop interpretable models to predict well-being and identify adaptive and maladaptive self-states in longitudinal social media data. Our approach integrates person-level psychological traits (e.g., resilience, cognitive distortions, implicit motives) with language-inferred situational features derived from the Situational 8 DIAMONDS framework. We compare these theory-grounded features to embeddings from a psychometrically-informed language model that captures temporal and individual-specific patterns. Results show that our principled, theory-driven features provide competitive performance while offering greater interpretability. Qualitative analyses further highlight the psychological coherence of features most predictive of well-being. These findings underscore the value of integrating computational modeling with psychological theory to assess dynamic mental states in contextually sensitive and human-understandable ways.