Estrategias de Agregación Temporal Conscientes del Hablante sobre Representaciones de Segmentos para la Detección de Depresión en Interacción Diádica: Un Estudio de Referencia

Resumen

La detección de depresión basada en el habla comprime características de segmentos de audio cortos en una decisión a nivel de hablante, un paso denominado agregación temporal que rara vez se estudia por sí solo. La mayoría de los puntos de referencia fijan un único codificador autosupervisado y una única capa seleccionada manualmente, por lo que una mejora reportada puede reflejar el proceso general (pipeline) más que el método de agregación en sí. Introducimos DEPOOL, un punto de referencia controlado que compara seis arquitecturas de agregación con seis modelos base (backbones) de habla congelados en un corpus de depresión en inglés y otro en mandarín, donde cada configuración aprende qué capas del modelo base son relevantes en lugar de fijar una manualmente. En la cuadrícula resultante de 72 configuraciones, un tercio de ellas colapsan prediciendo una única clase para cada hablante, un fallo atribuible tanto al modelo base como al método, y la arquitectura más estable en una ejecución con una sola semilla se vuelve poco fiable cuando se repite el entrenamiento con distintas semillas. La robustez frente al modelo base y la semilla, más que la precisión promedio de un único proceso, debería ser un criterio de evaluación primordial para la agregación temporal en el habla clínica.

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.