arXiv cs.CLは2026年9月23日(現地時間)、臨床面接記録からの連続的な抑うつ度スコア予測において、データ不足の課題に対処する研究論文を発表した。同論文は、逐次的な低ランク適応 (LoRA) プロトコルを提案し、Qwen3バックボーンと言語や臨床パラダイムをまたぐクロススケール転移学習を適用している。この手法は、英語のDAIC-WOZデータセットで事前学習した後、中国語のPDCHデータセットでさらに微調整を行う。データが不足しているHAMD-17ターゲットにおいて、この逐次プロトコルはMAE、RMSE、およびmacro-$F_1$の点で最良の性能を達成したと報告されている。
研究チームが提案する逐次LoRAプロトコルでは、まずQwen3バックボーンに制限付き回帰ヘッドを組み合わせ、英語のDAIC-WOZデータセット (189のアバター介在セッション、PHQ-8) で微調整を行う。その後、アダプターが中国語のPDCHデータセット (100の実際の臨床コンサルテーション、HAMD-17) での微調整を初期化し、再初期化されたスケール固有のヘッドが臨床医が割り当てたスコアを予測する。すべての設定で患者レベル層化5分割2反復クロスバリデーションが用いられた。
データ不足のHAMD-17ターゲットでは、この逐次プロトコルが0.6Bと1.7Bの両方のQwen3バックボーンで、ターゲットのみのトレーニングや非LLMベースラインを上回り、最良の点推定値MAE、RMSE、およびmacro-$F_1$を達成した。具体的には、Qwen3-0.6Bで4.96/6.59/0.36、Qwen3-1.7Bで4.38/5.62/0.46の成績を示した。
アブレーション研究では、適切にアラインされたソース教師データが最良の点推定値を与えること、ネイティブ中国語のターゲット入力が機械翻訳された英語入力よりも優れていること、そして順序を反転しても実行ごとの変動内で明確な利得はないことが示唆されている。
この研究は探索的であり、単一施設での内部評価である。スクリーニングや診断の有用性を確立するものではなく、スケール、言語、またはパラダイムシフトの寄与を個別に特定するものではない。Wenjie Feng (ウェンジエ・フェン) 氏、Sahba Zojaji (サーバ・ゾジャジ) 氏、Satoshi Nakamura (サトシ・ナカムラ) 氏が著者として名を連ねている。先行研究でこの特定のDAIC-WOZからPDCHへの逐次転移設定を評価したものはないと報告されている。
参考: arXiv cs.CL (アーカイブ) — 2026年9月24日 02:30 (JST)
原文ハイライト"We propose a sequential low-rank adaptation (LoRA) protocol for cross-scale transfer"