Repurposing Large Language Models as Instruments to Detect Transdiagnostic Speech Deviations across the Psychosis–Affective Spectrum
Questo studio dimostra che la quantificazione delle deviazioni dalle aspettative dei modelli linguistici di grandi dimensioni (surprisal) funge da marcatore scalabile e robusto per il rilevamento di alterazioni del linguaggio transdiagnostiche, in particolare nei disturbi dello spettro della schizofrenia e bipolari, sebbene la sua capacità di distinguere i singoli pazienti rimanga modesta.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Per decenni, la psichiatria si è affidata pesantemente alla parola parlata. Quando un medico valuta un paziente, non ascolta solo ciò che viene detto, ma anche come viene detto. Presta attenzione al flusso delle idee, alla connessione tra le frasi e al ritmo del parlato. Questi schemi possono rivelare profondi disturbi del pensiero, come quando il pensiero di una persona diventa disorganizzato o salta erraticamente da un argomento all'altro. Questa è una caratteristica fondamentale di condizioni come la schizofrenia, dove la struttura stessa del linguaggio può rompersi. Tuttavia, ascoltare un paziente e giudicare questi sottili cambiamenti è un compito difficile per gli esseri umani. Richiede un addestramento intenso, e anche gli esperti spesso non concordano su ciò che sentono. Poiché non esistono test biologici semplici, come un esame del sangue, per diagnosticare queste condizioni, il campo ha a lungo cercato un modo più oggettivo per misurare questi schemi del parlato.
Recentemente, è emerso un nuovo tipo di programma informatico che potrebbe offrire una soluzione. Si tratta dei grandi modelli linguistici, la stessa tecnologia che alimenta molti chatbot moderni. Sono addestrati su enormi quantità di testi provenienti da libri, siti web e conversazioni, imparando le regole statistiche di come le parole solitamente si susseguono l'una all'altra. In sostanza, costruiscono una mappa interna massiccia di ciò che è un una conversazione normale e sana. I ricercatori hanno iniziato a chiedersi se questi programmi potessero fungere da un nuovo tipo di strumento. Se il discorso di una persona devia significativamente dagli schemi che il computer si aspetta, quella deviazione potrebbe servire come segno misurabile di malattia? Questa domanda si colloca all'intersezione tra l'intelligenza artificiale e la salute mentale, chiedendosi se la capacità di una macchina di prevedere la parola successiva in una frase possa aiutarci a comprendere la mente umana.
Un team di ricercatori in Germania ha intrapreso l'obiettivo di testare questa idea con un ampio gruppo di persone. Hanno raccolto 371 partecipanti, inclusi 178 individui sani e 194 pazienti diagnosticati con diverse condizioni psichiatriche. I pazienti erano suddivisi in tre gruppi principali: quelli con disturbi dello spettro della schizofrenia, quelli con disturbo bipolare e quelli con disturbo depressivo maggiore. Per garantire che tutti parlassero in condizioni simili, i ricercatori hanno chiesto a ciascuna persona di guardare quattro immagini e raccontare una storia su ciò che stava accadendo nella scena. Questo è un test standard utilizzato in psicologia per incoraggiare lo storytelling naturale. I ricercatori hanno registrato queste storie, le hanno trascritte in testo e poi le hanno inserite in un sofisticato modello linguistico.
Il computer è stato istruito per agire come se fosse una persona sana. Mentre leggeva ogni storia, calcolava un punteggio per ogni frase basandosi su quanto fosse sorpreso dalle parole che incontrava. Se la storia fluiva in un modo che il computer si aspettava, il punteggio di sorpresa era basso. Se la storia prendeva una piega inaspettata, utilizzava combinazioni di parole insolite o rompeva le regole della grammatica in un modo che interrompeva il flusso, il punteggio di sorpresa aumentava. I ricercatori hanno chiamato questo punteggio "surprisal" (sorpresa). Hanno poi confrontato questi punteggi tra i diversi gruppi, regolando attentamente fattori come l'età, l'istruzione e la lunghezza media delle frasi, per assicurarsi che i risultati non fossero solo una riflessa di quanto le persone parlassero.
I risultati hanno rivelato un modello chiaro che distingueva i gruppi. Le storie raccontate dalle persone con disturbi dello spettro della schizofrenia producevano costantemente punteggi di sorpresa molto più alti rispetto a quelle dei volontari sani. Ciò significa che il loro parlato era significativamente meno prevedibile per il computer, deviando dalle norme statistiche del linguaggio sano. Anche le persone con disturbo bipolare mostravano punteggi elevati, sebbene l'effetto non fosse forte come nel gruppo della schizofrenia. Sorprendentemente, le storie delle persone con disturbo depressivo maggiore erano indistinguibili da quelle dei controlli sani. Il loro parlato era prevedibile quanto quello dei volontari sani, suggerendo che il tipo specifico di interruzione del linguaggio misurato con questo metodo non è una caratteristica generale di tutte le malattie mentali, ma è legato più strettamente allo spettro della psicosi.
I ricercatori hanno anche esaminato se questi punteggi corrispondessero alla gravità dei sintomi dei pazienti. Hanno scoperto che i punteggi di sorpresa più elevati erano legati a maggiori difficoltà nel pensare e nel parlare, come i pensieri disorganizzati spesso osservati nella schizofrenia. Tuttavia, questo legame era guidato principalmente dalle differenze tra i gruppi diagnostici piuttosto che da quanto un singolo paziente fosse malato in un dato momento. In altre parole, il computer era più bravo a distinguere tra una persona con schizofrenia e una persona sana che a dire quanto fossero gravi i sintomi di un paziente specifico in quel momento. Lo studio ha anche confermato che questi risultati non erano semplicemente dovuti al fatto che i pazienti parlassero con frasi più brevi o avessero meno istruzione; l'effetto rimaneva anche dopo che i ricercatori avevano tenuto conto di questi fattori.
Sebbene la capacità del computer di distinguere tra i gruppi fosse promettente, non era perfetta. La tecnologia poteva identificare schemi che gli valutatori umani potrebbero perdere, ma non era ancora abbastanza accurata da essere utilizzata come strumento diagnostico autonomo. Lo studio suggerisce che questo metodo cattura un aspetto reale e misurabile di come il linguaggio si rompe in certe condizioni psichiatriche, offrendo un modo nuovo e oggettivo per osservare il parlato. Dimostra che le aspettative statistiche di una macchina, addestrata sul linguaggio collettivo dell'umanità, possono rilevare le sottili, spesso invisibili fratture nel discorso di chi lotta con la psicosi. Questo non sostituisce la necessità di medici umani, ma offre un potenziale nuovo strumento per aiutare loro a vedere cosa sta accadendo nella mente attraverso le parole che una persona sceglie di pronunciare.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.