🚀 使用Bert进行认知扭曲分类

本项目旨在利用Bert模型对认知扭曲进行分类，帮助识别常见的思维偏差模式，为心理健康分析提供支持。

🚀 快速开始

单标签分类示例

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("amedvedev/bert-tiny-cognitive-bias")
model = AutoModelForSequenceClassification.from_pretrained("amedvedev/bert-tiny-cognitive-bias")

inputs = tokenizer("He must never disappoint anyone.", return_tensors="pt")
with torch.no_grad():
    logits = model(**inputs).logits

predicted_class_id = logits.argmax().item()
model.config.id2label[predicted_class_id]

✨ 主要特性

• 精准分类：能够准确识别多种常见的认知扭曲类型，如个人化、情绪推理、过度概括等。
• 基于Bert：采用预训练的Bert模型，在英文文本上有良好的表现。

📚 详细文档

问题描述

认知扭曲是指有偏差或扭曲的思维模式，会导致负面情绪、行为和信念。这些扭曲往往是自动且无意识的，会影响一个人对现实的认知和做出合理判断的能力。

一些常见的认知扭曲类型包括：

1. 个人化：将超出自己控制范围的事情归咎于自己。
   • 示例：
     • 她奇怪地看了我一眼，她肯定在评判我。
     • 真不敢相信我犯了那个错误，我真是个失败者。
2. 情绪推理：认为感觉就是事实，并让情绪驱动自己的行为。
   • 示例：
     • 我觉得自己不够好，所以我一定是不足的。
     • 他们从不邀请我出去，所以他们一定不喜欢我。
3. 过度概括：基于单一事件或证据得出广泛的结论。
   • 示例：
     • 他从不听我说话，总是打断我。
     • 每个人总是忽略我的需求。
4. 贴标签：根据特定行为或特征给自己或他人贴上负面或极端的标签。
   • 示例：
     • 我真是个令人失望的人。
     • 他是个十足的混蛋。
5. 应该陈述：基于对自己或他人不现实或无法实现的期望进行僵化、不灵活的思考。
   • 示例：
     • 我绝不能在任何事情上失败。
     • 他们必须总是把别人的需求放在自己的需求之前。
6. 灾难化：假设在某种情况下会出现最糟糕的结果，并夸大其严重性。
   • 示例：
     • 这一切都将是浪费时间，他们永远不会成功。
     • 如果我得不到晋升，我的整个职业生涯就完了。
7. 奖励谬误：认为每一个积极的行动或成就都应该得到奖励或认可。
   • 示例：
     • 如果我足够努力工作，他们会给我想要的加薪。
     • 如果他们不欣赏我的贡献，我就开始偷懒。

模型描述

这是较小的BERT变体之一，使用掩码语言建模目标在英语语言上进行了预训练。BERT在这篇论文中被提出，并首次在这个仓库中发布。

指标

按标签的模型准确率

平均模型准确率

参考资料

[正在完善中]

📄 许可证

本项目采用BSD 3条款许可证。

⚠️ 重要提示

本文档正在开发中，请使用该模型在您自己的数据上进行再训练，而不是将其作为“即用型”解决方案。