Sprecherbewusste zeitliche Aggregationsstrategien auf Segmentrepräsentationen zur Depressionserkennung in dyadischer Interaktion: Eine Benchmark-Studie

Zusammenfassung

Sprachbasierte Depressionserkennung komprimiert Merkmale aus kurzen Audioabschnitten zu einer Entscheidung auf Sprecherebene – ein Schritt, der als zeitliche Aggregation bezeichnet wird und selten für sich allein untersucht wird. Die meisten Benchmarks legen einen einzelnen selbstüberwachten Encoder und eine einzelne manuell ausgewählte Schicht fest, sodass ein berichteter Gewinn eher auf die Pipeline als auf die Aggregationsmethode selbst zurückzuführen sein kann. Wir stellen DEPOOL vor, einen kontrollierten Benchmark, der sechs Aggregationsarchitekturen mit sechs eingefrorenen Sprach-Backbones auf einem englischen und einem mandarinischen Depressionskorpus vergleicht, wobei jede Konfiguration selbstständig lernt, welche Backbone-Schichten relevant sind, anstatt eine manuell festzulegen. Über das resultierende Raster von 72 Konfigurationen hinweg bricht ein Drittel der Konfigurationen zusammen und sagt für jeden Sprecher eine einzige Klasse voraus – ein Fehler, der ebenso mit dem Backbone wie mit der Methode zusammenhängt, und die Architektur, die in einem Ein-Samen-Lauf am stabilsten ist, wird unzuverlässig, wenn das Training über mehrere Samen wiederholt wird. Robustheit gegenüber Backbone und Samen, nicht die durchschnittliche Genauigkeit einer einzelnen Pipeline, sollte ein erstklassiges Benchmarking-Kriterium für die zeitliche Aggregation in der klinischen Sprache sein.

English

Speech-based depression detection compresses features from short audio segments into one speaker-level decision, a step called temporal aggregation rarely studied on its own. Most benchmarks fix a single self-supervised encoder and a single hand-picked layer, so a reported gain may reflect the pipeline rather than the aggregation method itself. We introduce DEPOOL, a controlled benchmark that compares six aggregation architectures with six frozen speech backbones on an English and a Mandarin depression corpus, where each configuration learns which backbone layers matter rather than fixing one by hand. Across the resulting 72-configuration grid, a third of configurations collapse into predicting a single class for every speaker, a failure tied to the backbone as much as to the method, and the architecture that is most stable in a single-seed run becomes unreliable when training repeats across seeds. Robustness to backbone and seed, rather than average accuracy across a single pipeline, should be a first-class benchmarking criterion for temporal aggregation in clinical speech.