当人们在心理危机中寻求帮助时，咨询师的首要任务之一是识别那些有高自杀风险的人。求助者的语言中蕴含着关键线索，麻省理工学院麦戈文脑科学研究所的科学家们开发了一款新工具，旨在捕捉并快速评估这些信号。
这款语言处理工具由丹尼尔·洛（Daniel Low）开发。他曾是高级研究科学家萨特拉·戈什（Satra Ghosh）领导的"感知智能小组"的研究生，如今是儿童思维研究所的研究科学家，负责该机构的人工智能、风险与沉思科学实验室，同时也是哈佛大学的访问学者。该工具使用一份定制建立的词汇和短语列表，这些内容与49项自杀风险因素相关联，通过在文本中搜索这些内容来估算个体的风险程度。
戈什、洛及其同事今日在《心理病理学与临床科学杂志》上发表报告称，他们的工具能够准确预测危机热线咨询对话中透露出的自杀风险。该工具已经帮助厘清了危机时刻哪些自杀风险因素最为关键。经过更多验证后，它有望在临床环境和危机支持场景中协助进行风险评估。
识别关键风险因素
自杀企图向来极难预测。数十种风险因素已被证实与自杀相关，即便是训练有素的临床医生，也难以在有自杀意念的人群中识别出谁会真正付诸行动。可能增加自杀想法和行为发生率的因素包括：某些精神症状和障碍，如抑郁症、边缘型人格障碍和创伤后应激障碍，以及环境和社会压力源，如贫困、监禁、歧视和孤独感。
"你会看到这50种风险因素，它们以我们尚未完全理解的方式相互作用，"洛说道。"许多不同的路径都可能导致一个人产生逃避内心痛苦的想法，"他说——而要弄清楚哪条路径会导向自杀企图或死亡，是极具挑战性的。
戈什和洛希望了解在心理危机期间，咨询师和临床医生最应该关注哪些风险因素。为此，他们与危机短信热线（Crisis Text Line）展开了合作，该机构的专业培训志愿者通过短信为处于困境中的人们提供保密支持。
危机短信热线是一家全球心理健康非营利组织，为有需要的人提供全天候免费保密心理健康支持，该机构为这项研究提供了专项培训并对这一受限数据集给予了受控访问权限。研究人员分析了约1.6万次与危机短信热线志愿者咨询师对话的去标识化文本。根据危机短信热线的评估结果，这些对话被分为三个不同的风险等级：无自杀倾向、有自杀意念但无迫在眉睫的风险、以及迫在眉睫的风险。研究人员最想了解的正是这个迫在眉睫的风险群体——那些已有自杀计划，或打算在48小时内结束生命的人。
"我们想知道哪种类型的症状能够预测最高的自杀风险，"洛说。他表示，这一问题此前已有研究涉及——但通常是通过流行病学调查的方式，要求人们回忆自己的症状和经历，且往往是在心理危机过后进行的。相比之下，他说，"危机短信热线让我们有机会在人们正经历危机的当下，评估多种不同的症状和潜在风险因素。"
从字里行间读出信息
在分析危机热线文本之前，研究团队先构建了一份自杀风险词库。他们借助人工智能生成了一份与已确立的自杀风险因素相关的词汇和短语初步列表，这些风险因素涵盖自杀意念、自杀企图和自杀死亡等方面。随后，他们对这份列表进行了人工审核和整理。最终的词库为49种风险因素中的每一种都收录了约60个词语或短语，每个词条的相关性都经过临床专家的确认。
接着，他们训练了一个机器学习模型，用于在危机对话中搜索词库中的词语和短语，并借此预测自杀风险。由于该词库将每个词语或短语与特定的风险因素相关联，研究人员可以利用这些数据确定哪些风险因素与处于危机中人群的迫在眉睫风险关联最为紧密。
研究发现的结果与既往研究中的规律基本一致，但并非总是符合直觉。例如，抑郁症是众所周知的自杀意念风险因素，但他们的模型发现，提及致命手段和药物滥用的表达，比提及抑郁情绪或疲劳更可能出现在最高风险群体中。表达积极自杀意念和自我伤害同样是强有力的预测指标。焦虑、创伤后应激障碍和情感痛苦则属于中等程度的预测指标。
该预测模型根据每种风险因素对风险的贡献程度分配权重。例如，提及自杀致命手段的词语，如"割"或"药片"，会被赋予较高权重，而与绝望相关的词语，如"不知道该怎么办"或"绝望"，贡献程度则相对较低。在完成模型训练后，研究团队发现可以用它来准确预测模型此前未接触过的新对话中的风险严重程度。
研究人员指出，词库方法的一个局限在于它不考虑词语的上下文语境，而且可能会遗漏那些与词库中词条相似但未被明确收录的词语。大语言模型具备推理能力，洛和同事们已经在其他项目中开发出利用大语言模型检测自杀风险的方法。不过他们表示，通常会将词库与大语言模型并行使用，以确保某些特定词语能被标记出来，同时也有助于保护数据隐私。
洛强调，尽管团队借助了大语言模型的能力来开发这份词库，但他们的预测模型本身是一个更为简单、"轻量级"的模型。与需要巨大计算能力的大语言模型不同，这个模型可以轻松地在个人电脑上运行，从而降低了成本和隐私方面的顾虑。同样重要的是，该模型具有可解释性：它不像某些深度学习模型那样仅仅生成一个风险估计值，而是能够告诉使用者它是如何得出这一结论的。值得关注的词语会被标记出来，让使用者理解每次评估的依据，并据此采取行动。他们目前也在与大语言模型合作，探索类似的可解释性方法。
这一点至关重要，因为风险太高了。"这是一个如此复杂的领域，让人类参与决策环节，我认为在很长一段时间内都将是至关重要的，"担任麦戈文研究所神经科学开放数据倡议主任的戈什说道。研究人员同样补充道，任何预测模型在投入临床使用前都必须经过充分验证，并且可能需要随着语言使用习惯或目标人群的变化而持续改进。
由于一份可靠的词库为理解心理健康开辟了新的途径，戈什和洛正在广泛分享成果——不仅是他们的自杀风险词库本身，还包括他们为构建这份词库而开发的软件包。研究人员可以利用这一工具，高效地为其他心理健康状况构建词库。与此同时，洛表示，这份自杀风险词库已经开始被用于探索来自社交媒体、电子健康记录等多种渠道的文本数据，如何能帮助研究人员和临床医生更好地评估风险。
Q&A
Q1：这款自杀风险预测工具是如何工作的？
A：该工具由麻省理工学院团队开发，基于一份包含49项自杀风险因素的定制词库，通过机器学习模型搜索文本对话中的相关词语和短语，从而估算个体的自杀风险等级。
Q2：这个工具的数据来源是什么？
A：研究人员与危机短信热线合作，分析了约1.6万次去标识化的危机咨询对话文本，这些对话已根据风险程度被分为无自杀倾向、有自杀意念但无迫在眉睫风险、以及迫在眉睫风险三类。
Q3：这个预测模型和大语言模型相比有什么优势？
A：该模型是轻量级模型，无需大语言模型那样的巨大计算能力，可在个人电脑上运行，成本和隐私风险更低。同时它具有可解释性，能标记出具体的风险词语，让使用者理解评估依据。
