超越靜態分類法：利用關鍵詞生成表示法捕捉青少年危機對話
arXiv - Human-Computer InteractionAbeer Badawi, Will Aitken, Lydia Sequeira, Jocelyn Rankin, Maia Norman, Elham Dolatabadi
研究提出 KGR 技術，利用大型語言模型生成動態關鍵詞，提升青少年心理危機識別的精準度與文化敏感度。
AI 幫你先抓重點
AI 重點 1
從「靜態分類」轉向「生成式表示」的範式轉移
滑鼠懸停看 AI 判斷理由
傳統的預設標籤（Taxonomy）難以捕捉青少年不斷演變的語言與文化語境。透過 LLM 生成動態關鍵詞，能讓系統具備捕捉新興議題的能力，這對於需要高度即時性與文化敏感度的心理支持領域至關重要。
AI 重點 2
混合式人工智慧輔助決策的實務價值
滑鼠懸停看 AI 判斷理由
研究顯示 AI 並非取代人工，而是透過生成可解釋的關鍵詞來強化檢索效率。這種「可解釋的生成式表示」能讓危機應變人員更快速、準確地從海量對話中定位高風險個案，實現人機協作的最優化。
核心研究發現
- 1
研究將原有的 19 個議題分類擴展為 39 個層級化架構，專家共識可靠度高達 0.96。
- 2
KGR 生成的關鍵詞中，有 81% 能準確反映對話內容，且 74% 的關鍵詞提升了內容的清晰度。
- 3
KGR 能識別出固定分類法中缺失的主題，例如移民問題與照顧者負擔等具備身份認同特徵的議題。
- 4
在主題檢索工作流中，KGR 將準確率從人工分析的 0.25 大幅提升至 0.70，增幅達 0.45。
對教育工作者的啟發
對於教育工作者與心理輔導人員，此研究啟發我們在設計數位輔助工具時，不應僅依賴僵化的標籤系統。在處理學生情緒或心理健康議題時，應考慮引入具備生成能力的 AI 技術，以捕捉學生在特定文化背景或社會變遷下所使用的非典型語言。這能幫助教育者更精準地識別隱藏在語言背後的深層需求（如移民壓力、家庭結構變遷），從而提供更具文化敏感度與精準度的支持措施。
原始文獻資訊
- 英文標題：
- Keyphrase Generative Representation of Youth Crisis Conversations Beyond Static Taxonomies
- 作者：
- Abeer Badawi, Will Aitken, Lydia Sequeira, Jocelyn Rankin, Maia Norman, Elham Dolatabadi
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。