从文本估算自杀风险
当人们在心理健康危机中寻求帮助时，咨询师的首要任务之一是识别出那些自杀风险较高的人。求助者的语言中隐藏着关键线索，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）"感知智能小组"的研究生，现在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编制的词汇和短语列表，这些词汇短语与49种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人的风险程度。
戈什、洛及其同事今天在《心理病理学与临床科学杂志》上报告称，他们的工具能够根据与危机咨询师的文本对话准确预测自杀风险。该工具已经在帮助厘清危机时刻哪些自杀风险因素最为关键。经过进一步验证，它有望在临床环境和危机支持场景中辅助风险评估。
识别关键风险因素
自杀企图向来极难预测。数十种风险因素与自杀相关联，即便是训练有素的临床医生，也很难在有某种自杀意念的人群中识别出谁会真正实施自杀行为。可能增加自杀想法和行为发生几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，也包括环境和社会压力源，如贫困、监禁、歧视和孤独。
"你能看到这50种风险因素，它们以我们并不完全理解的方式相互作用，"洛说，"许多不同的路径都可能导致一个人产生逃离内心痛苦的想法，"他说——而要判断谁的路径会最终导向自杀企图或死亡，是很有挑战性的。
戈什和洛希望了解在心理健康危机期间，咨询师和临床医生最应关注哪些风险因素。为此，他们与危机短信热线（Crisis Text Line）合作，该机构的经过培训的志愿者通过短信为处于困境中的人提供保密支持。
危机短信热线是一家全球性的心理健康非营利组织，为有需要的人提供免费、全天候、保密的心理健康支持，该组织为这项研究提供了专门培训并对这一受限数据集进行了受控访问。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。根据该机构的评估，这些对话被分为三个风险等级：无自杀倾向、有自杀意念但无迫切风险、迫切风险。研究人员最想深入了解的正是这个迫切风险群体——即那些已有自杀计划，或打算在未来48小时内寻死的人。
"我们想知道哪些类型的症状预示着最高的自杀风险，"洛说。他表示，这个问题此前已有研究涉及——但通常是通过流行病学调查，要求受访者回忆自己的症状和经历，而且往往是在心理健康危机过去之后进行的。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。"
字里行间的解读
在分析危机热线文本之前，研究团队构建了一个自杀风险词库。他们借助人工智能生成了一份与既定自杀风险因素相关的词汇和短语初步列表，涵盖与自杀意念、自杀企图和自杀死亡相关的因素。随后他们对该列表进行了人工审查和筛选。最终的词库为49种风险因素中的每一种都包含了约60个词汇或短语，每一个词条的相关性均经过专家临床医生的确认。
之后，他们训练了一个机器学习模型，在危机对话中搜索词库中的词汇和短语，并利用这些内容来预测自杀风险。由于词库将每个词汇或短语与特定的风险因素相关联，他们可以利用这些数据来确定哪些风险因素与身处危机中人群的迫切风险关联最为紧密。
研究结果与此前研究中发现的模式基本一致，但并非总是符合直觉。例如，抑郁是自杀意念的一个众所周知的风险因素，但他们的模型发现，提及致命手段和物质使用的人比提及抑郁情绪或疲劳的人更可能属于最高风险群体。表达主动自杀意念和自我伤害的言论也是有力的预测指标。中等程度的预测指标包括焦虑、创伤后应激障碍和情感痛苦。
该预测模型会根据每种风险因素对风险的贡献程度赋予其相应权重。例如，提及自杀致命手段的词汇，如"割"或"药片"，会被赋予较高权重，而与绝望相关的词汇，如"不知道该怎么办"或"绝望"，其贡献程度则较低。在训练完模型后，研究团队发现他们可以用它来准确预测模型此前未曾见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汇的具体语境，也可能遗漏与词库中词条相似但未被明确收录的表述。大语言模型具备推理能力，洛及其同事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，他们表示常常将词库与大语言模型并行使用，以确保标记出某些特定词汇，同时也是为了维护数据隐私。
洛强调，尽管团队借助了大语言模型的能力来构建词库，但其预测模型本身是一个更为简单的"轻量级"模型。与需要庞大计算能力的大语言模型不同，该模型可以轻松在个人电脑上运行，从而降低了成本和隐私方面的顾虑。同样重要的是，它具有可解释性：不同于某些深度学习模型仅能更有效地生成风险估算值，该模型会向用户说明它是如何得出结论的。值得关注的词汇会被标记出来，让用户理解每次评估的依据，并据此采取行动。他们正在与大语言模型合作开发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在很长很长一段时间内都将是至关重要的，"戈什说，他是麦戈文研究所"神经科学开放数据倡议"的主任。研究人员还补充说，任何预测模型在投入临床使用前都必须经过严格验证，并且可能需要根据语言使用习惯或目标人群的变化持续进行改进。
由于一个可靠的词库为理解心理健康开辟了新途径，戈什和洛正在广泛分享他们的自杀风险词库，以及他们为构建该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，这个自杀风险词库已经被用于探索来自各种渠道的文本数据——从社交媒体到电子健康记录——如何帮助研究人员和临床医生更好地估算风险。
Q&A
Q1：这款自杀风险预测工具是如何工作的？
A：该工具通过一份包含约49种自杀风险因素相关词汇和短语的定制词库，在文本对话中搜索这些内容，并据此估算个人的自杀风险等级，整个过程基于机器学习模型实现。
Q2：这项研究发现哪些因素与最高自杀风险关系最密切？
A：研究发现，提及致命手段（如"割"或"药片"）和物质使用与最高风险群体关系更密切，甚至超过抑郁情绪或疲劳；表达主动自杀意念和自我伤害也是强预测指标。
Q3：这款工具与大语言模型相比有什么优势？
A：该工具是一个轻量级模型，无需庞大计算资源即可在个人电脑上运行，成本更低、隐私性更好，同时具有可解释性，能让使用者了解风险评估的具体依据，而非仅给出一个风险数值。
