UTS at PsyDefDetect: Multi-Agent Councils and Absence-Based Reasoning for Defense Mechanism Classification
Le système UTS de PsyDefDetect a obtenu le deuxième rang dans la classification des mécanismes de défense psychologique en exploitant un raisonnement fondé sur l'absence dans des règles au niveau des invites et un conseil délibératif multi-agents, renforcé par un ensemble ciblé de modèles sur-ajustés pour corriger les biais systématiques défavorables aux classes minoritaires.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayez de comprendre pourquoi les gens disent ce qu'ils disent quand ils sont contrariés. Parfois, ils ne sont pas simplement honnêtes ; ils utilisent des techniques de « protection » psychologique appelées mécanismes de défense. Ces boucliers vont de très immatures (comme agir physiquement) à très matures (comme résoudre calmement un problème).
Le défi pour les ordinateurs est que ces boucliers sont subtils. Une personne peut dire : « Je vais bien, je fais juste face à beaucoup d'inconnues. » En surface, cela ressemble à une façon saine et mature de gérer le stress. Mais en réalité, la personne cache ses sentiments. Elle manque de l'émotion qu'elle devrait avoir. Pour un ordinateur, repérer ce qui manque est beaucoup plus difficile que de repérer ce qui est présent.
Cet article décrit une équipe (UTS à PsyDefDetect) qui a construit un système informatique intelligent pour résoudre cette énigme. Ils ont participé à une compétition avec 64 autres équipes et ont terminé deuxièmes. Voici comment ils ont fait, expliqué simplement.
1. L'idée centrale : « Le fantôme dans la pièce »
L'équipe a réalisé que les mécanismes de défense sont définis par l'absence.
- La métaphore : Imaginez un détective à la recherche d'un voleur. La plupart des détectives cherchent des empreintes (ce qui est présent). Cette équipe a réalisé que le voleur est en fait défini par l'espace vide où les empreintes devraient être.
- L'application : Si quelqu'un parle d'une tragédie mais ne semble pas triste, l'ordinateur doit reconnaître que la tristesse manquante est l'indice. Ils ont programmé leur système avec des « règles cliniques » qui recherchent spécifiquement ces pièces manquantes (émotion manquante, pensée bloquée ou réalité niée). Ce seul tour leur a donné un énorme coup de pouce dans les performances.
2. Le « Conseil d'experts » (Le Conseil délibératif)
Au lieu de demander à une seule IA de faire une supposition, ils ont construit un conseil multi-agents.
- La métaphore : Imaginez une salle d'audience. Au lieu d'un jury votant à la majorité simple (ce qui choisirait toujours la réponse la plus courante), ils ont un panel d'avocats spécialisés.
- Phase 1 : Trois « avocats » différents (agents IA) examinent le dossier et suggèrent des verdicts possibles.
- Phase 2 : S'ils ne sont pas d'accord, un « avocat » spécifique pour chaque verdict possible se lève. L'avocat pour le « Niveau 7 » (Mature) explique pourquoi cela correspond. L'avocat pour le « Niveau 6 » (Obsessionnel) explique pourquoi cela correspond mieux. Ils ne font pas juste crier « J'ai gagné ! » ; ils présentent des preuves.
- Phase 3 : Un juge examine la force des preuves. Si l'avocat du « Niveau 6 » a des preuves solides, il gagne, même si trois autres agents ont voté pour le « Niveau 7 ».
- Le résultat : Ce système était très bon en soi, mais il avait un défaut : il était trop confiant dans la réponse la plus courante (Niveau 7), ignorant souvent les cas rares et difficiles.
3. L'« Attracteur L7 » (Le problème de la gravité)
Les données étaient fortement biaisées. Plus de la moitié des exemples étaient « Niveau 7 » (Mature).
- La métaphore : Imaginez un aimant géant (Niveau 7) au milieu d'une pièce. Peu importe où vous lancez une balle (une conversation), l'aimant l'attire. L'IA continuait d'être aspirée pour dire « C'est Mature » même quand ce n'était pas le cas.
- Le problème : L'IA était « confiante et fausse ». Elle choisissait les réponses rares (comme le Niveau 3 ou 4) et avait raison, mais elle les choisissait aussi et se trompait, et elle choisissait la réponse courante (Niveau 7) et se trompait dans 80 % des cas pour ces cas spécifiques.
4. L'équipe de « frappe chirurgicale » (L'ensemble de dépassement ciblé)
Pour résoudre le problème de l'aimant, ils ont ajouté une deuxième couche de défense : une équipe de dépassement ciblée.
- La métaphore : Pensez au Conseil comme à un directeur général prenant des décisions quotidiennes. L'équipe de dépassement est une équipe spécialisée de « contrôle qualité » qui n'intervient que lorsque le directeur fait une supposition risquée.
- Comment cela fonctionne :
- Ils ont entraîné trois petits modèles IA spécialisés (comme des chirurgiens spécialisés) pour examiner les prédictions du Conseil.
- Si le Conseil dit « Niveau 7 » mais que les modèles spécialisés disent « Attendez, c'est en fait Niveau 6 », le système vérifie les preuves.
- Ils ont utilisé un système Constructeur-Critique-Garde :
- Constructeur : Propose un changement.
- Critique : Tente de prouver que le changement est faux (argumente contre).
- Garde : Ne laisse passer le changement que si les preuves sont inébranlables.
- Le résultat : Cette équipe n'a fait que 16 changements sur 472 prédictions. Mais ces 16 changements étaient si précis qu'ils ont propulsé l'équipe de la 3e à la 2e place.
5. L'avertissement du « Seau percé »
L'article a également révélé un problème sournois.
- La métaphore : Imaginez passer un examen où les questions sont des versions légèrement différentes de celles que vous avez étudiées. Si vous mémorisez les réponses du guide d'étude, vous obtenez 100 %. Mais si les questions de l'examen proviennent de la même conversation que le guide d'étude, vous n'apprenez pas vraiment ; vous vous souvenez juste.
- La découverte : Les données de test partageaient les mêmes conversations que les données d'entraînement. Si l'IA se contentait de « se souvenir » de la conversation, elle semblait avoir une précision de 97 %. Mais lorsqu'ils l'ont empêchée de tricher (en s'assurant qu'elle ne voyait pas la même conversation deux fois), la précision est tombée à un réaliste 65 %. Cela leur a appris que la récupération (trouver des exemples similaires) devait être faite avec beaucoup de soin pour éviter la triche.
Résumé de la victoire
L'équipe n'a pas gagné en utilisant le modèle d'IA le plus grand et le plus puissant. Elle a gagné en :
- Apprenant à l'IA à remarquer ce qui manque (l'absence d'émotion).
- Créant un système de débat où les preuves comptent plus qu'un simple vote.
- Utilisant une petite équipe de « correction » très disciplinée pour corriger les rares fois où le système principal se trompait de manière confiante.
Leur score final était un Macro-F1 de 0,406, battant 63 autres équipes. Ils ont prouvé qu'en psychologie, parfois l'indice le plus important est le silence là où un sentiment devrait être.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.