مطالعهی مشاهدهایافسردگی و اضطرابمدلهای زبانی بزرگ (LLM)شواهد مقدماتی
Large Language Model Few-Shot Learning for Predicting Individual Treatment Response to Smartphone-Based Mindfulness in Autistic Adults With Anxiety: Secondary Analysis of a Randomized Controlled Trial
Ahn و همکاران — Massachusetts Institute of Technology (MIT) · JMIR AI · 2026 · حجم نمونه: ۷۳ بزرگسال اوتیستیک (تحلیل ثانویهی کارآزمایی تصادفی)
🗓 تاریخ انتشار در روانای: ۳ مرداد ۱۴۰۵
🔗 مطالعهی مقالهی اصلی · DOI: 10.2196/89054
اختلالات اضطرابی در بزرگسالان اوتیستیک بسیار شایعاند، اما پاسخ به مداخلات ذهنآگاهی از فردی به فرد دیگر تفاوت زیادی دارد. این مطالعه، بهعنوان تحلیل ثانویهی یک کارآزمایی تصادفی، بررسی کرد که آیا میتوان با یادگیری ماشین و مدلهای زبانی بزرگ پیشبینی کرد چه کسی از یک مداخلهی ذهنآگاهی مبتنی بر گوشی هوشمند بیشترین بهره را میبرد.
یافتههای کلیدی
- تحلیل ثانویه بر روی ۷۳ بزرگسال اوتیستیک که یک مداخلهی ذهنآگاهی ۶ هفتهای مبتنی بر گوشی را کامل کرده بودند انجام شد؛ «پاسخدهنده» بهمعنای کاهش دستکم ۷ نمرهای در اضطراب حالت (پرسشنامهی STAI) تعریف شد.
- در میان مدلهای سنتی، جنگل تصادفی (random forest) بهترین عملکرد را داشت با AUC ۰.۷۹، پس از آن TabPFN با AUC ۰.۷۸ و رگرسیون لجستیک با AUC ۰.۷۷.
- یادگیری چندنمونهای (few-shot) با GPT-4o و توکنسازی ۷ ویژگی، در ۷۰ نمونه به دقت ۰.۸۶۷ رسید، در مقایسه با دقت ۰.۷۳۳ برای جنگل تصادفی.
- اضطراب حالتِ پایهی بالاتر، پیشبینیکنندهی پاسخ بهتر بود؛ در مقابل، نمرهی بالاتر بهرهی طیف اوتیسم (AQ)، سن بالاتر و نمرهی کمترِ بازی وانمودین در کودکی با پاسخ ضعیفتر همراه بودند.
- پیشبینی تغییرات اضطراب صفت (trait anxiety) بهمراتب ضعیفتر بود (AUC بین ۰.۴۶ تا ۰.۶۸).
محدودیتها و نکات احتیاطی
- حجم نمونه کوچک بود (۷۳ نفر) و این یک تحلیل ثانویه است، نه هدف اولیهی کارآزمایی.
- مدلهای پیشبینی بر یک مجموعهدادهی واحد آموزش دیدهاند و پیش از هرگونه کاربرد بالینی به اعتبارسنجی بیرونی نیاز دارند؛ در نمونههای کوچک خطر بیشبرازش (overfitting) وجود دارد.
- مقایسهی معیارها یکدست نیست (دقت در برابر AUC) و برتری مدل زبانی باید با احتیاط تفسیر شود.
- یافتهها ویژهی بزرگسالان اوتیستیک دارای اضطراب است و تعمیم آن به جمعیتهای دیگر محدود است.
چرا مهم است
این مطالعه امکانپذیری «روانپزشکی دقیق» را در سلامت روان دیجیتال نشان میدهد: تطبیق بیمار با مداخلهای که احتمال بهرهمندی او از آن بیشتر است. نکتهی تازه این است که یادگیری چندنمونهای با مدلهای زبانی بزرگ میتواند در شرایط دادهی کم — که در پژوهش بالینی رایج است — سودمند باشد. با این حال این ابزارها ابزار پشتیبان تصمیمگیریاند و باید پیش از استفادهی بالینی بهدقت اعتبارسنجی شوند.