[论文翻译]用于精神障碍检测的少样本学习：一种结合医学知识注入的连续多提示工程方法

本研究利用前沿AI技术，通过用户生成文本内容检测精神障碍。现有研究通常依赖全监督机器学习，存在两大挑战：(1) 为每个研究问题标注大量训练数据需要耗费大量人工；(2) 需为每项任务设计专用深度学习架构。我们提出创新方法，通过大语言模型和连续多提示工程解决这些问题，其优势在于：(1) 开发能捕捉用户独特性征的个性化提示；(2) 将结构化医学知识融入提示，为疾病检测提供背景并辅助预测建模。我们选取三种高发精神障碍作为研究案例进行评估，本方法在特征工程、架构工程和离散提示工程等现有方法中显著胜出。同时，该方法在少样本学习场景中表现优异，仅需极少量训练样本即可实现。此外，本方法可推广至其他阳性标签稀缺的罕见精神障碍检测任务。除技术贡献外，该方法有望提升精神障碍患者福祉，并为利益相关方提供比传统筛查更经济、可及的替代方案...