面向跨问卷预测建模的 Survey-to-Text 表征学习与 Bootstrap 正则化不确定性量化

基于摘要分析。该研究针对测量相同潜在构念、但题目、响应量表及评分体系不兼容的问卷，提出将结构化回答转换为自然语言叙述、再嵌入共享语义空间的协调框架，以支持跨问卷预测及不同队列的合并建模。主要研究对象是健康调查问卷，而非 EEG 信号或 BCI 解码。 方法上，框架使用大语言模型生成回答叙述，并在文本表征上训练预测模型。针对同一份回答生成不同叙述所引入的随机性，作者提出方差正则化目标及基于嵌入扰动的扩展。标题将不确定性量化标为 Bootstrap 正则化，但摘要未交代具体重采样流程、损失公式或不确定性校准方式，相关实现尚未验证。 作者报告，在两个健康调查、两种语言模型后端的评估中，合并不兼容问卷数据的建模方案相较对照提升了区分能力，AUC 为 0.762 对 0.723；不同叙述引起的预测风险变化为 2.6 对 4.4 个百分点。摘要未明确这些数值对应的具体问卷组合、划分及正则化对照，不能将其解释为所有跨问卷设置的统一效果。作者还报告，在 COVID-19 疫情期间暂时撤下 SF-12 问卷的实际部署情境中，合并模型的预测比单一问卷训练模型更稳定，但摘要未给出该情境的量化结果。 作者认为，该框架无需共享题目或共同受访者即可开展跨问卷预测。复现时需核对叙述生成提示、嵌入模型、预测目标、队列划分、Bootstrap 与嵌入扰动设置，以及重复生成的计算成本；实验协议、消融及统计信息尚未验证。现有材料未提供其与 EEG/BCI 的具体机制对应，不据此提出神经信号迁移结论。