Evidence-Grounded Mapping of Multimodal Human Sensing Psychological Transdiagnostic Dimensions
Dieses Paper führt einen Clinician-in-the-Loop-Benchmark unter Verwendung des GLOBEM-Datensatzes ein, um zu evaluieren, wie gut große Sprachmodelle evidenzbasiert B-HiTOP-Profile aus multimodalen Sensordaten generieren können, wobei festgestellt wird, dass semantische Abstraktion die Selbstbericht-Evidenz zwar effektiv organisiert, jedoch als Informationsengpass für indirekte, passive Verhaltenssignale fungiert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Ihr Telefon und Ihre Uhr im Stillen Ihren Alltag verfolgen könnten – Ihr Schlafverhalten, wie weit Sie gehen, mit wem Sie sprechen und wie Sie sich in diesem Moment fühlen. Jahrelang haben Forscher gehofft, diesen Datenstrom in ein klares Bild der psychischen Gesundheit einer Person zu verwandeln, um über einfache Checklisten hinauszugehen und die komplexen, sich überschneidenden Arten und Weisen zu verstehen, wie Menschen Leid erfahren. Anstatt zu fragen, ob jemand an einer spezifischen Krankheit wie Depression oder Angststörung leidet, schlägt ein neuerer Ansatz namens „Hierarchical Taxonomy of Psychopathology“ vor, breite Dimensionen der menschlichen Erfahrung zu betrachten, wie etwa emotionale Instabilität oder sozialen Rückzug, die oft gemeinsam bei verschiedenen Zuständen auftreten. Die Herausforderung bestand darin, herauszufinden, wie man die rohen, stillen Signale eines Geräts in diese bedeutungsvollen psychologischen Konzepte übersetzt, ohne dass ein Arzt direkt vor Ort sitzt, um sie zu interpretieren.
In dieser Studie versuchten Forscher zu testen, ob moderne künstliche Intelligenz als dieser Interpret fungieren könnte. Sie entwickelten ein System, um zu sehen, ob große Sprachmodelle – fortschrittliche Computerprogramme, die auf riesigen Textmengen trainiert wurden – in der Lage sind, den digitalen Fußabdruck einer Person zu betrachten und ein Profil ihres mentalen Zustands zu erstellen, das ein menschlicher Kliniker als vernünftig erachten würde. Das Team nutzte einen massiven Datensatz namens GLOBEM, der Jahre an Daten von Tausenden von Menschen enthält, einschließlich passiver Sensordaten von deren Geräten, kurzer täglicher Umfragen über ihre Stimmung und längerer Fragebögen über ihr allgemeines Wohlbefinden. Da der ursprüngliche Datensatz nicht die spezifischen psychischen Gesundheitswerte enthielt, die die Forscher vorhersagen wollten, konnten sie nicht einfach prüfen, ob der Computer im herkömmlichen Sinne „richtig“ lag. Stiege stattdessen stellten sie eine andere, praktischere Frage: War die Vermutung des Computers über den mentalen Zustand einer Person angesichts der verfügbaren Beweise logisch und vertretbar?
Um dies zu beantworten, schufen die Forscher ein strenges Testfeld mit fast 15.000 täglichen Schnappschüssen aus dem Leben der Teilnehmer. Sie baten die künstliche Intelligenz, Scores für 29 verschiedene Indikatoren der psychischen Gesundheit vorherzusagen, die von Gefühlen der Traurigkeit bis hin zu Problemen mit der Impulskontrolle reichten. Sie testeten zwei verschiedene Wege, wie der Computer dies tun könnte. Bei der ersten Methode betrachtete der Computer direkt alle Rohdaten – Sensorwerte, Umfrageantworten und Fragebogen-Ergebnisse – und versuchte, in einem Schritt einen Wert für jeden Indikator der psychischen Gesundheit zuzuweisen. In der zweiten Methode fasste der Computer die Daten zuerst in einer breiten psychologischen Beschreibung zusammen, etwa einem kurzen Absatz, der den allgemeinen Zustand der Person beschreibt, und nutzte dann diese Zusammenfassung, um die spezifischen Werte zuzuweisen, ohne die ursprünglichen Zahlen erneut anzusehen.
Die Ergebnisse offenbarten eine überraschende Wahrheit darüber, wie diese Maschinen Informationen verarbeiten. Wenn der Computer sich auf selbstberichtete Daten stützte, wie etwa die täglichen Umfragen und Fragebögen, in denen Menschen explizit ihre Gefühle beschrieben, funktionierte die zweistufige Methode signifikant besser. Indem der Computer die verstreuten Umfrageantworten zuerst in eine kohärente Geschichte ordnete, war er in der Lage, viel sinnvollere Vorhersagen über spezifische Symptome der psychischen Gesundheit zu treffen. Die Geschichte änderte sich jedoch völlig, wenn der Computer auf passive Sensordaten zurückgriff, wie etwa darauf, wie viel sich jemand bewegte oder wie oft er sein Telefon nutzte. In diesem Fall machte die zweistufige Methode den Computer schlechter. Wenn die KI versuchte, die Rohsensordaten zuerst in eine allgemeine Beschreibung zusammenzufassen, schien sie die subtilen, spezifischen Details zu verlieren, die eigentlich für eine genaue Beurteilung nötig gewesen wären. Der Computer wurde übermäßig vorsichtig und wies oft den niedrigstmöglichen Wert für fast alles zu, was effektiv bedeutete: „Es ist nichts falsch“, obwohl die Daten etwas anderes suggeriert haben könnten.
Dieses Ergebnis deutet darauf hin, dass es keinen einzelnen besten Weg gibt, künstliche Intelligenz für die Überwachung der psychischen Gesundheit einzusetzen. Der Ansatz, der am besten funktioniert, hängt vollständig von der Art der verwendeten Informationen ab. Wenn die Daten daraus stammen, dass Menschen dem Computer mitteilen, wie sie sich fühlen, hilft es dem Computer, die Zusammenfassung dieser Informationen zu nutzen, um das große Ganze zu verstehen. Aber wenn die Daten von stillen Sensoren stammen, die das Verhalten verfolgen, kann die Zusammenfassung dieser Daten zuerst die sehr entscheidenden Details wegstreichen und wie ein Flaschenhals wirken, der den Computer daran hindert, die volle Realität zu sehen. Die Studie kommt zu dem Schluss, dass diese Systeme wirklich nützlich sein können, wenn sie so konzipiert werden, dass sie zur spezifischen Natur der von ihnen analysierten Daten passen, anstatt eine Einheitsstrategie anzuwenden. Diese sorgfältige Abstimmung ist essenziell, wenn wir die stillen Signale unseres täglichen Lebens in ein Werkzeug verwandeln wollen, das uns wirklich hilft, unser psychisches Wohlbefinden zu verstehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.