Detecção de Depressão Multilíngue por Camada a partir da Fala: Análise com Alinhamento Contrastivo

Resumo

Existem disparidades significativas no diagnóstico e na apresentação clínica da depressão entre diferentes populações linguísticas. A detecção de depressão baseada em fala apresenta bom desempenho de forma monolíngue, mas a generalização interlingual continua sendo um desafio em aberto. Uma razão fundamental é que trabalhos anteriores utilizam divisões aleatórias em nível de segmento, sem agrupamento por falantes, o que gera vazamento de identidade que infla as métricas reportadas. Propomos o CLeaD, uma estrutura de alinhamento contrastivo supervisionado que mapeia embeddings WavLM do inglês e do mandarim para um espaço clínico compartilhado, sem necessidade de dados paralelos ou ajuste fino na língua-alvo. Avaliando 52 falantes de mandarim, o alinhamento contrastivo supera modestamente a linha de base (F1: 0,640 vs. 0,622) sob avaliação leave-one-speaker-out. Ele também melhora a revocação da classe deprimida nas camadas intermediárias (7-8), embora o pequeno conjunto de teste limite a generalizabilidade. Dois achados permanecem robustos: o escalonamento do modelo degrada o desempenho interlingual ao mesmo tempo que melhora o inglês monolíngue, e o vazamento de identidade do falante inflacionou artificialmente os escores F1 previamente reportados para mandarim, chegando a 0,954 — um artefato que reproduzimos e quantificamos.

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.