Repurposing Large Language Models as Instruments to Detect Transdiagnostic Speech Deviations across the Psychosis–Affective Spectrum
Diese Studie zeigt, dass die Quantifizierung von Abweichungen von den Erwartungen großer Sprachmodelle (Surprisal) als skalierbarer, robuster Marker für die Detektion transdiagnostischer Sprachveränderungen dient, insbesondere bei Schizophrenie-Spektrum- und bipolaren Störungen, wenngleich die Fähigkeit zur Unterscheidung einzelner Patienten moderat bleibt.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Seit Jahrzehnten stützt sich die Psychiatrie stark auf das gesprochene Wort. Wenn ein Arzt einen Patienten untersucht, hört er nicht nur darauf, was gesagt wird, sondern auch darauf, wie es gesagt wird. Er achtet auf den Fluss der Ideen, den Zusammenhang zwischen den Sätzen und den Rhythmus der Sprache. Diese Muster können tiefe Störungen im Denken offenbaren, etwa wenn die Gedanken eines Menschen desorganisiert werden oder unvorhersehbar von einem Thema zum nächsten springen. Dies ist ein Kernmerkmal von Erkrankungen wie Schizophrenie, bei denen die eigentliche Struktur der Sprache zusammenbrechen kann. Das Zuhören bei einem Patienten und das Beurteilen dieser subtilen Veränderungen ist jedoch eine schwierige Aufgabe für Menschen. Es erfordert intensive Ausbildung, und selbst Experten sind sich oft uneinig darüber, was sie hören. Da es keine einfachen biologischen Tests, wie etwa einen Bluttest, zur Diagnose dieser Zustände gibt, sucht das Fachgebiet seit langem nach einem objektiveren Weg, um diese Sprachmuster zu messen.
Kürzlich ist eine neue Art von Computerprogramm entstanden, die eine Lösung bieten könnte. Dies sind große Sprachmodelle, dieselbe Technologie, die viele moderne Chatbots antreibt. Sie werden mit riesigen Mengen an Texten aus Büchern, Websites und Gesprächen trainert und lernen die statistischen Regeln, nach denen Wörter normalerweise aufeinanderfolgen. Im Wesentlichen bauen sie eine gewaltige interne Landkarte dessen auf, wie eine normale, gesunde Konversation klingt. Forscher haben begonnen, sich zu fragen, ob diese Programme als ein neues Instrument dienen könnten. Wenn die Sprache einer Person signifikant von den Mustern abweicht, die der Computer erwartet, könnte diese Abweichung als messbares Zeichen einer Krankheit dienen? Diese Frage bewegt sich an der Schnittstelle zwischen künstlicher Intelligenz und psychischer Gesundheit und stellt die Frage, ob die Fähigkeit einer Maschine, das nächste Wort in einem Satz vorherzusagen, uns helfen kann, den menschlichen Geist zu verstehen.
Ein Forschungsteam in Deutschland unternahm den Versuch, diese Idee mit einer großen Gruppe von Menschen zu testen. Sie sammelten 371 Teilnehmer, darunter 178 gesunde Individuen und 194 Patienten, bei denen verschiedene psychiatrische Erkrankungen diagnostiziert worden waren. Die Patienten unterteilten sich in drei Hauptgruppen: jene mit Schizophrenie-Spektrum-Störungen, jene mit bipolarer Störung und jene mit schwerer depressiver Störung. Um sicherzustellen, dass alle unter ähnlichen Bedingungen sprachen, baten die Forscher jede Person, sich vier Bilder anzusehen und eine Geschichte darüber zu erzählen, was in der Szene geschieht. Dies ist ein Standardtest in der Psychologie, um natürliches Geschichtenerzählen zu fördern. Die Forscher nahmen diese Geschichten auf, transkribierten sie in Text und speisten sie dann in ein hochentwickeltes Sprachmodell ein.
Der Computer wurde angewiesen, so zu agieren, als wäre er eine gesunde Person. Während er jede Geschichte las, berechnete er für jeden Satz einen Wert basierend darauf, wie überrascht er von den gefundenen Wörtern war. Wenn die Geschichte so floss, wie der Computer es erwartete, war der Überraschungswert niedrig. Wenn die Geschichte eine unerwartete Wendung nahm, seltsame Wortkombinationen verwendete oder die Regeln der Grammatik in einer Weise brach, die den Fluss störte, stieg der Überraschungswert an. Die Forscher nannten diesen Wert „Surprisal“ (Überraschung). Sie verglichen diese Werte dann über die verschiedenen Gruppen hinweg und passten sie sorgfältig an Faktoren wie Alter, Bildung und die durchschnittliche Satzlänge an, um sicherzustellen, dass die Ergebnisse nicht bloß ein Spiegelbild dessen waren, wie lange die Personen sprachen.
Die Ergebnisse zeigten ein klares Muster, das die Gruppen voneinander unterschied. Die Geschichten, die von Menschen mit Schizophrenie-Spektrum-Störungen erzählt wurden, erzeugten konsistent viel höhere Überraschungswerte als die der gesunden Freiwilligen. Das bedeutet, dass ihre Sprache für den Computer deutlich weniger vorhersehbar war und von den statistischen Normen gesunder Sprache abwich. Menschen mit bipolarer Störung zeigten ebenfalls erhöhte Werte, wenngleich der Effekt bei der Schizophrenie-Gruppe nicht so stark ausgeprägt war. Überraschenderweise waren die Geschichten von Menschen mit schwerer depressiver Störung nicht von denen der gesunden Kontrollgruppe zu unterscheiden. Ihre Sprache war genauso vorhersehbar wie die der gesunden Freiwilligen, was darauf hindeutet, dass die spezifische Art der Sprachstörung, die mit dieser Methode gemessen wurde, kein allgemeines Merkmal aller psychischen Erkrankungen ist, sondern enger mit dem Psychose-Spektrum verknüpft ist.
Die Forscher untersuchten auch, ob diese Werte mit dem Schweregrad der Symptome der Patienten übereinstimmten. Sie fanden heraus, dass höhere Überraschungswerte mit größeren Schwierigkeiten im Denken und Sprechen korrelierten, wie etwa den desorganisierten Gedanken, die oft bei Schizophrenie auftreten. Dieser Zusammenhang wurde jedoch hauptsächlich durch die Unterschiede zwischen den diagnostischen Gruppen getrieben und weniger dadurch, wie krank ein einzelner Patient an einem gegebenen Tag war. Mit anderen Worten: Der Computer war besser darin, den Unterschied zwischen einer Person mit Schizophrenie und einer gesunden Person zu erkennen, als zu bestimmen, wie schwer die Symptome eines spezifischen Patienten in diesem Moment waren. Die Studie bestätigte auch, dass diese Ergebnisse nicht einfach darauf zurückzuführen waren, dass die Patienten in kürzeren Sätzen sprachen oder eine geringere Bildung hatten; der Effekt blieb bestehen, selbst nachdem die Forscher diese Faktoren berücksichtigt hatten.
Obwohl die Fähigkeit des Computers, zwischen Gruppen zu unterscheiden, vielversprechend war, war sie nicht perfekt. Die Technologie konnte Muster identifizieren, die menschliche Wertungen vielleicht übersehen würden, war aber noch nicht genau genug, um als eigenständiges Diagnosetool eingesetzt zu werden. Die Studie legt nahe, dass diese Methode einen realen und messbaren Aspekt dessen erfasst, wie Sprache in bestimmten psychiatrischen Zuständen zerbricht, und bietet eine neue, objektive Sichtweise auf das Geschehen. Sie zeigt, dass die statistischen Erwartungen einer Maschine, die auf der kollektiven Sprache der Menschheit trainiert wurde, die subtilen, oft unsichtbaren Brüche in der Sprache derer erkennen kann, die mit Psychosen kämpfen. Dies ersetzt nicht die Notwendigkeit menschlicher Ärzte, bietet aber ein potenzielles neues Werkzeug, um ihnen zu helfen zu sehen, was im Geist geschieht, durch die Worte, die ein Mensch wählt, um zu sprechen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.