Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models

La mente umana è un flusso costante di commenti, una narrazione continua di convinzioni, preoccupazioni e speranze che modella il modo in cui viviamo l'esperienza del mondo. Gli psicologi hanno compreso da tempo che il modo in cui le persone parlano a se stesse è importante; quando quel dialogo interiore diventa aspro o distorto, può intrappolare gli individui in cicoli di ansia e depressione. Per decenni, identificare questi modelli di pensiero dannosi ha richiesto un professionista formato che ascoltasse attentamente e interpretasse le sfumature del linguaggio di un paziente. Oggi, poiché le persone condividono maggiormente la propria vita interiore sui social media, è emersa una nuova domanda: possono i computer imparare a leggere questi pensieri digitali con la stessa cura? Questo campo, noto come salute mentale computazionale, cerca di utilizzare gli strumenti dell'analisi del linguaggio per rilevare modelli nel testo che segnalano disagio emotivo. La sfida risiede nel distinguere tra un umore cattivo passeggero e un modo di pensare negativo e radicato, un compito che richiede non solo il conteggio delle parole, ma la comprensione del peso di ciò che viene detto.

Un team di ricercatori dell'Università Islamica di Tecnologia ha compiuto un passo significativo verso la risposta a questa domanda, costruendo un sistema per classificare il tono emotivo dei pensieri espressi online. Non hanno semplicemente chiesto a un computer di indovinare se una frase fosse felice o triste; invece, si sono concentrati specificamente sul linguaggio "relativo al pensiero" — affermazioni che rivelano come una persona interpreta la propria realtà. Per farlo, hanno raccolto una vasta collezione di 156.785 post da piattaforme di social media come Reddit, Twitter e Facebook. Avevano bisogno di un modo per smistare questi milioni di parole in due categorie: positive e negative. Per prima cosa, hanno utilizzato un programma per computer specializzato, progettato per comprendere lo slang e il tono informale dei social media, per assegnare un'etichetta iniziale a ogni post. Per garantire che queste etichette fossero affidabili, hanno poi coinvolto due psicologi abilitati. Questi esperti hanno revisionato un campione casuale di 500 post, valutandoli su una scala per vedere se l'ipotesi iniziale del computer corrispondesse al giudizio umano. Gli esperti concordavano con la classificazione del computer la stragrande maggioranza delle volte, confermando che il dataset era abbastanza affidabile per addestrare una macchina a riconoscere la differenza tra un pensiero costruttivo e uno distruttivo.

Con un dataset pulito e verificato in mano, i ricercatori hanno messo alla prova una grande varietà di modelli informatici per vedere quale potesse eseguire meglio questa classificazione. Sono partiti dai metodi tradizionali, che sono come semplici ed efficienti calcolatrici che cercano parole specifiche e le loro frequenze. Hanno anche testato modelli "transformer" avanzati, che sono sistemi più complessi capaci di comprendere il contesto e la relazione tra le parole in una frase, in modo simile a come un lettore umano coglie il significato completo di una storia piuttosto che solo il vocabolario individuale. Infine, hanno provato un grande modello linguistico, un tipo potente di intelligenza artificiale progettato per generare testi simili a quelli umani, chiedendogli di classificare i pensieri usando istruzioni specifiche. I risultati sono stati sorprendenti per chi assume che i modelli più grandi e complessi siano sempre migliori. I modelli tradizionali, più semplici, hanno effettivamente superato quelli sofisticati. Un tipo specifico di algoritmo semplice, noto come regressione logistica, ha raggiunto l'accuratezza più elevata, identificando correttamente il sentimento dei pensieri quasi il 93 percento delle volte. I modelli transformer più complessi, pur essendo molto buoni, hanno ottenuto punteggi leggermente inferiori, circa l'84 percento di accuratezza. Il grande modello linguistico, nonostante la sua reputazione di intelligenza, è stato il più debole in questo compito specifico, riuscendoci circa l'80 percento delle volte.

I ricercatori hanno scoperto che, per le frasi brevi e dirette tipiche dei social media, i modelli più semplici erano in realtà più efficaci. Questi modelli avevano successo perché i pensieri negativi e positivi nel dataset contenevano spesso parole chiare ed esplicite che segnalavano il loro tono, rendendo inutile per il computer eseguire un ragionamento profondo e complesso per comprenderli. I modelli più avanzati, progettati per gestire narrazioni lunghe e sfumate, non avevano un vantaggio qui e a volte faticavano con il compito specifico della classificazione binaria. Lo studio ha anche rivelato che il sistema era notevolmente coerente; quando i ricercatori hanno testato i modelli su diversi segmenti dei dati, i risultati rimanevano stabili, dimostrando che il sistema non stava solo memorizzando risposte ma stava realmente imparando i modelli del pensiero.

Fondamentalmente, gli autori sottolineano che questo sistema è uno strumento per la ricerca, non un dispositivo diagnostico per gli individui. Il computer è addestrato per riconoscere il tono emotivo di una frase, non per diagnosticare una condizione di salute mentale o determinare se una persona soffra di un disturbo specifico. Un pensiero negativo pubblicato online può riflettere una frustrazione temporanea piuttosto che un problema clinico, e il sistema è progettato per riflettere questa realtà linguistica, non per sostituire il giudizio di un medico. Il lavoro serve come base per la ricerca futura, offrendo un dataset ampio e verificato e una chiara dimostrazione che strumenti leggeri ed efficienti possono essere altamente efficaci per analizzare il panorama emotivo del pensiero umano su larga scala. Provando che metodi semplici e trasparenti possono superare quelli complessi in questo specifico contesto, lo studio suggerisce che la strada da seguire per comprendere la salute mentale attraverso il linguaggio possa risiedere nella chiarezza e nella precisione piuttosto che nella pura potenza computazionale.