← أحدث الأبحاث
💻 computer science

Automatic detection of depression in clinical interviews with large language models

تُظهر هذه الدراسة أن التحليل اللغوي الآلي للمقابلات السريرية باستخدام النماذج القائمة على المحولات واستراتيجيات التجميع يمكن أن يكتشف بفعالية اضطراب الاكتئاب الجسيم لدى المتحدثين باللغة الكانتونية، مما يحسن كفاءة المعالجة بشكل كبير مع تسليط الضوء على أهمية جودة النسخ والسياق الحواري لتحقيق الأداء الأمثل.

المؤلفون الأصليون: Longdi Xian, Kit Ying Chan, Jie Chen, Joey W Y Chan, Ngan Yin Chan, Bei Huang, Yun-Kwok Wing, Tim M H Li

نُشر 2026-09-11
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Longdi Xian, Kit Ying Chan, Jie Chen, Joey W Y Chan, Ngan Yin Chan, Bei Huang, Yun-Kwok Wing, Tim M H Li

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

يعد الاكتئاب حالة شائعة وخطيرة تؤثر على الملايين من الناس في جميع أنحاء العالم، ومع ذلك، فإن اكتشافه مبكراً يعتمد غالباً على قدرة الشخص على الوصول إلى متخصص في الصحة النفسية. وفي أماكن كثيرة، يندر وجود هؤلاء الخبراء، وتكون عملية التشخيص بطيئة، مما يترك الكثيرين دون المساعدة التي يحتاجونها. ولمعالجة ذلك، بدأ الباحثون في استكشاف ما إذا كان بإمكان الحواسيب أن تتعلم رصد علامات الاكتئاء من خلال الاستماع إلى كيفية حديث الناس. ويعتمد هذا المجال على فكرة أن الطريقة التي يصف بها الشخص مشاعره، والكلمات التي يختارها، وإيقاع محادثته يمكن أن تكشف عن حالته النفسية. وقد أدت التطورات الأخيرة في الذكاء الاصطناعي إلى إنشاء أدوات قوية قادرة على فهم اللغة البشرية، مما يوفر طريقة جديدة لتحليل هذه المحادثات تلقائياً. والهدف ليس استبدال الأطباء، بل إنشاء أداة سريعة وسهلة الوصول يمكنها المساعدة في تحديد من يحتاج إلى الرعاية، مما قد يصل إلى الأشخاص الذين قد لا يتم تشخيصهم لولا ذلك.

وضع فريق من الباحثين في الجامعة الصينية في هونغ كونغ هدفاً لاختبار ما إذا كانت أدوات الذكاء الاصطناعي هذه يمكنها اكتشاف اضطراب الاكتئاب الجسيم بدقة باستخدام تسجيلات للمقابلات السريرية. لقد عملوا مع 299 مشاركاً يتحدثون لغة الكانتونية، بما في ذلك 194 مريضاً تم تشخيص إصابتهم بالاكتئاب و105 من الأصحاء. قام الباحثون بتسجيل مقابلات منظمة حيث طرح الإكلينيكي أسئلة واستجاب المشارك لها. ولرؤية ما إذا كان بإمكانهم جعل العملية أسرع وأكثر قابلية للتوسع، قارنوا بين طريقتين لتحويل هذه التسجيلات الصوتية إلى نصوص. كانت الطريقة الأولى هي النهج التقليدي، حيث يقوم البشر بكتابة كل كلمة تُقال يدوياً، وهي عملية استغرقت حوالي 45 دقيقة لكل مقابلة. أما الطريقة الثانية، فقد استخدمت نظاماً آلياً لنسخ الصوت فورياً. ثم قاموا بتغذية هذه النصوص في عدة نماذج حاسوبية مختلفة مصممة لفهم اللغة، واختبار ما إذا كانت النماذج تستطيع التمييز بين المشاركين الأصحاء والمصابين بالاكتئاب.

وجدت الدراسة أن استخدام نظام النسخ الآلي كان قفزة هائلة للأمام في الكفاءة؛ فقد قلل الوقت اللازم لمعالجة كل مقابلة من حوالي 45 دقيقة إلى أقل من 10 دقائق، أي انخفاض بنسبة 79 بالمائة. هذه السرعة تجعل من الممكن تحليل أعداد كبيرة من المقابلات بسرعة، وهو أمر ضروري للاستخدام في العالم الحقيقي. ومع ذلك، اكتشف الباحثون أن هذه السرعة جاءت مع مقايضة صغيرة؛ إذ كانت النماذج التي تدربت على النصوص المكتوبة يدوياً أفضل قليلاً في تحديد الاكتئاب من تلك التي تدربت على النصوص المولدة آلياً. وهذا يشير إلى أنه بينما أصبحت الآلات جيدة جداً في الاستماع، إلا أنها لا تزال تفقد أحياناً الفروق الدقيقة التي يلتقطها ناسخ بشري. وبالرغم من هذه الفجوة الصغيرة، كانت النسخ الآلية فعالة للغاية، مما يثبت أن التكنولوجيا جاهزة للتطبيق العملي حيث تكون السرعة أمراً بالغ الأهمية.

كان هناك اكتشاف رئيسي آخر يتعلق بالأجزاء التي يجب على الحاسوب الاستماع إليها من المحادثة. اختبر الباحثون سيناريوهين: أحدهما حيث يقرأ النموذج إجابات المريض فقط، والآخر حيث يقرأ المحادثة بأكملها، بما في ذلك أسئلة الطبيب. ووجدوا أن النماذج كان أداؤها أفضل عندما امتلكت السياق الكامل للحوار. فقد تبدو إجابة المريض القصيرة، مثل "ليس حقاً" أو "أحياناً"، غامضة في حد ذاتها، ولكن عندما يرى النموذج السؤال الذي سبقها، يصبح المعنى أكثر وضوحاً. فعلى سبيل المثال، إذا سأل الطبيب عن أنماط النوم وقال المريض "أحياناً"، فإن الحاسوب يفهم أن هذا يشير إلى اضطرابات النوم. يساعد هذا السياق النموذج على تقديم أحكام أكثر دقة، مما يظهر أن التفاعل بين الطبيب والمريض يحتوي على أدلة قيمة تضيع إذا تم تحليل صوت المريض وحده.

ولجعل اكتشافهم أكثر موثوقية، قام الفريق بدمج تنبؤات عدة نماذج حاسوبية مختلفة في نظام واحد أقوى. لقد اختبروا طرقاً متنوعة لدمج آرائهم، مثل أخذ متوسط درجاتهم أو البحث عن أقوى إشارة بينهم. هذا النهج المدمج، المعروف باسم "النموذج التجميعي" (Ensemble)، حسن دقة الكشف بما يتجاوز ما يمكن لأي نموذج منفرد تحقيقه بمفرده. ثم تم اختبار أفضل تركيبة أداء على مجموعة جديدة تماماً مكونة من 169 شاباً لم يكونوا جزءاً من الدراسة الأصلية. وفي هذا الاختبار المستقل، نجح النظام المدمج في تحديد الاكتئاب بمستوى عالٍ من الدقة، حيث كان أداؤه مساوياً لأفضل نموذج منفرد وأفضل قليلاً من غيره. وقد أكد ذلك أن النظام يمكنه تعميم نتائجه على أشخاص جدد، وليس فقط على أولئك الذين تدرب عليهم.

تقدم نتائج هذه الدراسة مساراً واعداً للرعاية الصحية النفسية. فقد أثبت الباحثون أنه من الممكن بناء نظام يكتشف الاكتئاب من الكلام بدقة عالية مع تقليل الوقت المطلوب للتحليل بشكل كبير. وعلى الرغم من أن النصوص المنسوخة آلياً لم تكن مثالية، إلا أنها كانت جيدة بما يكفي لدعم نظام يعمل جيداً في العالم الحقيقي. كما سلطت الدراسة الضوء على أن تضمين أسئلة الطبيب في التحليل يوفر سياقاً حاسماً يحسن فهم الحاسوب. وبينما لا يعد النظام بعد بديلاً للتشخيص البشري، إلا أنه يمثل خطوة مهمة نحو جعل فحص الصحة النفسية أسرع، وأكثر سهولة في الوصول، ومتاحاً لمزيد من الناس الذين يحتاجون إليه. ويشير العمل إلى أنه مع الأدوات المناسبة، يمكن للتكنولوجيا أن تساعد في سد الفجوة بين من يعانون من الاكتئاب والرعاية التي يستحقونها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →