阿拉伯语抑郁筛查有了对话系统：症状监测接上PHQ-9，检索嵌入选错模型MAP只剩4%
核心概要
面向阿拉伯语使用者的对话式抑郁早期识别系统Rafiq把三件事接进同一段对话：逐条监测用户消息中的抑郁症状、在症状累积到三项时提议并完成PHQ-9九项量表、用检索增强生成从临床知识库取证据作答。系统在415条留出样本上症状识别准确率0.98，但检索环节的嵌入模型选择影响极大：阿拉伯语专用模型MAP为80%，一个通用多语言混合专家模型仅4%。
深度剖析
阿拉伯语对话式抑郁筛查把症状监测、PHQ-9量表施测与检索式心理教育放进同一段自然对话，用户不必离开聊天去填问卷。 此前的阿拉伯语心理健康应用多停留在一般信息提供或基础聊天，未把结构化临床筛查协议与有证据支撑的回答生成结合起来。 五名持证心理学家对五个对话场景（含自杀意念、产后抑郁、青少年抑郁）独立评分，总体均分4.54/5.0，未报告关键安全顾虑。
症状识别不靠微调专用分类器，而是让通用大模型在关键词提示下逐条判断用户消息对应哪几项PHQ-9症状。 提示中嵌入一份217条阿拉伯语表达的PHQ-9关键词表，覆盖阴阳性词形与黎凡特方言变体，并由临床心理学家审核。 在415条留出样本（365条标注推文加50条非抑郁对照）上准确率0.98、F1为0.98；测试集中出现的关键词已从提示词表中剔除，以避免靠字面匹配得分。
回答生成前先从知识库检索相关段落，让模型基于权威临床文本作答，而不是凭参数记忆。 知识库由DSM-5-TR、MSD Manual、WebTeb与WHO四类来源整理成7个Markdown文件、共14,624词，按标题层级切块。 RAGAS自动评测给出忠实度0.88、答案相关性0.84、上下文精确率0.91；GPT-4o-mini与GPT-4o的检索得分相同，前者延迟与成本更低。
启示与展望
系统面向阿拉伯语使用者，当前主要针对巴勒斯坦口语阿拉伯语，定位为支持性陪伴与筛查工具，不提供诊断或治疗建议。临床评价由五名执业于加沙、约旦河西岸和黎巴嫩的持证心理学家完成，覆盖五个脚本化对话场景，共25次评定，不涉及患者或真实用户数据。知识库只覆盖抑郁，不含焦虑、双相障碍等其他常见心理疾病。
症状识别模块在推特数据上评测，未必代表私密聊天中的语言特征；临床评价仅五名评审，量化推广有限。嵌入基准规模较小，仅33条查询、99个查询-文档对，候选文档由GPT-4生成而非取自真实临床文本；混合专家模型评测时未使用其推荐的任务前缀，可能部分解释其近零得分。症状检测尚未处理否定表达，可能产生假阳性。