Schichtweise sprachübergreifende Depressionserkennung aus Sprache: Analyse mit kontrastiver Ausrichtung

Zusammenfassung

Es bestehen erhebliche Unterschiede in der Diagnose und der klinischen Präsentation von Depressionen in verschiedenen Sprachpopulationen. Sprachbasierte Depressionserkennung funktioniert im einsprachigen Kontext gut, aber die cross-linguale Generalisierung bleibt eine offene Herausforderung. Ein wesentlicher Grund dafür ist, dass frühere Arbeiten segmentbasierte Zufallssplits ohne Sprechergruppierung verwenden, was zu einer Identitätsleckage führt, die die berichteten Metriken aufbläht. Wir schlagen CLeaD vor, ein Framework für überwachtes kontrastives Alignment, das WavLM-Einbettungen aus dem Englischen und Mandarin in einen gemeinsamen klinischen Raum abbildet – ohne parallele Daten oder Feintuning in der Zielsprache. Bei der Evaluierung von 52 Mandarin-Sprechern übertrifft das kontrastive Alignment die Baseline leicht (F1: 0,640 vs. 0,622) unter der Leave-One-Speaker-Out-Evaluierung. Es verbessert zudem den Depressions-Rückruf in mittleren Schichten (7–8), obwohl der kleine Testsatz die Generalisierbarkeit einschränkt. Zwei Ergebnisse bleiben robust: Die Skalierung des Modells verschlechtert die cross-linguale Leistung, während sie die einsprachig englische Leistung verbessert, und die Identitätsleckage des Sprechers hat zuvor berichtete Mandarin-F1-Werte künstlich auf 0,954 erhöht – ein Artefakt, das wir reproduzieren und quantifizieren.

English

Significant disparities exist in the diagnosis and clinical presentation of depression across different linguistic populations. Speech-based depression detection performs well monolingually, but cross-lingual generalization remains an open challenge. A key reason is that prior work uses segment-level random splits without speaker grouping, leading to identity leakage that inflates reported metrics. We propose CLeaD, a supervised contrastive alignment framework that maps WavLM embeddings from English and Mandarin into a shared clinical space, without parallel data or target-language fine-tuning. Evaluating 52 Mandarin speakers, contrastive alignment modestly outperforms the baseline (F1: 0.640 vs. 0.622) under leave-one-speaker-out evaluation. It also improves depressed-class recall at intermediate layers (7-8), though the small test set limits generalizability. Two findings remain robust: model scaling degrades cross-lingual performance while improving monolingual English, and speaker identity leakage artificially inflated previously reported Mandarin F1 scores to 0.954, an artifact we reproduce and quantify.