تشخیص و غربالگری؛ مجموعه مطالب تخصصی روانای در تقاطع روانشناسی، سلامت روان و هوش مصنوعی.
استقرارِ یک سامانهی پردازشِ زبانِ طبیعی روی بیش از ۱۰۰ هزار پیامِ چت بحران، حساسیتِ ۹۸٪ در شناساییِ موارد پرخطر داشت و زمانِ رسیدنِ کمکِ تخصصی را از ۹ ساعت به کمتر از ۱۵ دقیقه کاهش داد.
بزرگترین مرور سیستماتیک و متاآنالیزِ این حوزه (۵۳ مطالعه) نشان داد الگوریتمهای یادگیریِ ماشین ویژگیِ خوبی (تا ۹۳٪) دارند، اما حساسیتِ آنها متغیر و گاهی پایین است.
بررسیِ چهار مدل زبانی پرکاربرد (Claude، ChatGPT، Gemini و یک مدل تخصصی) نشان داد وقتی نژادِ بیمار بهصراحت ذکر میشود، توصیههای درمانیِ برخی مدلها بهطور نامتناسبی تغییر میکند.
مرور سیستماتیکِ ۲۹ مطالعه نشان داد دادههای غیرفعالِ گوشیهوشمند (حرکت، خواب، تماسها، صفحهنمایش) میتوانند در پیشبینیِ عود افسردگی، اضطراب و اسکیزوفرنی کمککننده باشند.
در مطالعهای ۹۰ روزه روی ۴۳۲ فرد آسیبدیده، نشانگرهای زبانیِ استخراجشده با مدل زبانی بزرگ توانستند شدت علائم PTSD روز بعد را پیشبینی کنند.
مقایسهی تصمیمهای چند مدل GPT-4 با درمانگران بالینی روی ۲۱ سناریوی اورژانسیِ روانپزشکیِ نوجوانان، توافقی قابلتوجه اما تمایل مدلها به توصیهی بستریکردنِ بیشازحد را نشان داد.
متاآنالیزی بر پایهی ۱۲۳ پژوهش نشان داد مدلهای یادگیری ماشین میتوانند افسردگی را از روی متن و گفتار با دقت تجمیعیِ حدود ۸۰٪ تشخیص دهند، هرچند ناهمگونیِ بسیار بالایی میان مطالعات وجود دارد.
مروری سیستماتیک بر ۳۵ مطالعه نشان داد مدلهای کلاسیک هوش مصنوعی در پیشبینی پاسخ درمانی و عود اختلال دوقطبی عملکردی امیدوارکننده اما با ریسک بالای سوگیری دارند و هنوز برای کاربرد بالینی آماده نیستند.
شش مدل زبانی بزرگ در پیشبینی نمرات آیتمبهآیتم چکلیست اختلال استرس پس از سانحه از روی رونوشت مصاحبههای بالینی، دقتی متوسط و هنوز ناکافی برای کاربرد بالینی نشان دادند.