Repurposing Large Language Models as Instruments to Detect Transdiagnostic Speech Deviations across the Psychosis–Affective Spectrum
Deze studie toont aan dat het kwantificeren van afwijkingen van de verwachtingen van grote taalmodellen (surprisal) dient als een schaalbare, robuuste marker voor het detecteren van transdiagnostische spraakveranderingen, met name bij schizofrenie-spectrum- en bipolaire stoornissen, hoewel het vermogen om individuele patiënten te onderscheiden nog bescheiden blijft.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Decennialang heeft de psychiatrie zwaar geleund op het gesproken woord. Wanneer een arts een patiënt beoordeelt, luistert hij niet alleen naar wat er wordt gezegd, maar ook naar hoe het wordt gezegd. Ze letten op de stroom van ideeën, de verbinding tussen zinnen en het ritme van de spraak. Deze patronen kunnen diepe verstoringen in het denken onthullen, zoals wanneer iemands gedachten ongeorganiseerd worden of grillig van het ene naar het andere onderwerp springen. Dit is een kernkenmerk van aandoeningen zoals schizofrenie, waarbij de structuur van de taal zelf kan uiteenvallen. Het luisteren naar een patiënt en het beoordelen van deze subtiele verschuivingen is echter een moeilijke taak voor mensen. Het vereist intensieve training, en zelfs experts zijn het vaak oneens over wat zij horen. Omdat er geen eenvoudige biologische tests zijn, zoals een bloedtest, om deze condities te diagnosticeren, heeft het vakgebied lang gezocht naar een meer objectieve manier om deze spraakpatronen te meten.
Onlangs is er een nieuw soort computerprogramma opgekomen dat mogelijk een oplossing biedt. Dit zijn grote taalmodellen, dezelfde technologie die de basis vormt voor veel moderne chatbots. Ze zijn getraind op enorme hoeveelheden tekst uit boeken, websites en gesprekken, waarbij ze de statistische regels hebben geleerd van hoe woorden normaal gesproken op elkaar volgen. In essentie bouwen ze een enorme interne kaart van hoe een normale, gezonde conversatie klinkt. Onderzoekers zijn zich gaan afvragen of deze programma's als een nieuw soort instrument zouden kunnen dienen. Als de spraak van een persoon significant afwijkt van de patronen die de computer verwacht, zou die afwijking dan kunnen dienen als een meetbaar teken van ziekte? Deze vraag bevindt zich op het snijvlak van kunstmatige intelligentie en geestelijke gezondheidszorg, en vraagt of het vermogen van een machine om het volgende woord in een zin te voorspellen, ons kan helpen om de menselijke geest te begrijpen.
Een team van onderzoekers in Duitsland zette zich in om dit idee te testen met een grote groep mensen. Ze verzamelden 371 deelnemers, bestaande uit 178 gezonde individuen en 194 patiënten die gediagnosticeerd waren met verschillende psychiatrische aandoeningen. De patiënten vielen uiteen in drie hoofdgroepen: zij met schizofrenie-spectrumstoornissen, zij met een bipolaire stoornis en zij met een majeure depressieve stoornis. Om ervoor te zorgen dat iedereen onder vergelijkbare omstandigheden sprak, vroegen de onderzoekers elke persoon om naar vier afbeeldingen te kijken en een verhaal te vertellen over wat er in de scène gebeurde. Dit is een standaardtest die in de psychologie wordt gebruikt om natuurlijk verhalen vertellen te stimuleren. De onderzoekers namen deze verhalen op, transcribeerden ze naar tekst en voerden ze vervolgens in een geavanceerd taalmodel.
De computer kreeg de instructie om te handelen alsof het een gezond persoon was. Terwijl het elk verhaal las, berekende het een score voor elke zin op basis van hoe verrast het was door de woorden die het tegenkwam. Als het verhaal op een manier verliep die de computer verwachtte, was de verrassingsscore laag. Als het verhaal een onverwachte wending nam, vreemde woordcombinaties gebruikte of de regels van de grammatica brak op een manier die de flow verstoorde, ging de verrassingsscore omhoog. De onderzoekers noemden deze score "surprisal" (verrassing). Ze vergeleken deze scores vervolgens tussen de verschillende groepen, waarbij ze zorgvuldig corrigeerden voor factoren zoals leeftijd, opleiding en de gemiddelde lengte van de zinnen, om er zeker van te zijn dat de resultaten niet slechts een reflectie waren van hoe lang mensen spraken.
De resultaten toonden een duidelijk patroon dat de groepen onderscheidde. De verhalen verteld door mensen met schizofrenie-spectrumstoornissen produceerden consequent veel hogere verrassingsscores dan die van de gezonde vrijwilligers. Dit betekent dat hun spraak aanzienlijk minder voorspelbaar was voor de computer, wat afweek van de statistische normen van gezonde taal. Mensen met een bipolaire stoornis vertoonden ook verhoogde scores, hoewel het effect niet zo sterk was als in de groep met schizofrenie. Verrassend genoeg waren de verhalen van mensen met een majeure depressieve stoornis niet te onderscheiden van die van de gezonde controlegroep. Hun spraak was net zo voorspelbaar als die van de gezonde vrijwilligers, wat suggereert dat het specifieke type taalverstoring dat met deze methode wordt gemeten, geen algemeen kenmerk is van alle mentale ziekten, maar nauwer verbonden is met het psychose-spectrum.
De onderzoekers keken ook of deze scores overeenkwamen met de ernst van de symptomen van de patiënten. Ze vonden dat hogere verrassingsscores verband hielden met grotere moeilijkheden in het denken en spreken, zoals de gedesorganiseerde gedachten die vaak bij schizofrenie worden gezien. Echter, deze link werd voornamelijk gedreven door de verschillen tussen de diagnostische groepen, in plaats van door hoe ziek een individuele patiënt op een gegeven moment was. Met andere woorden, de computer was beter in het onderscheiden tussen een persoon met schizofrenie en een gezond persoon dan in het bepalen van de ernst van de symptomen van een specifieke patiënt op dat moment. Het onderzoek bevestigde ook dat deze resultaten niet simpelweg voortkwamen uit het feit dat patiënten in kortere zinnen spraken of minder opleiding hadden; het effect bleef bestaan nadat de onderzoekers voor deze factoren hadden gecorrigeerd.
Hoewel het vermogen van de computer om groepen te onderscheiden veelbelovend was, was het niet perfect. De technologie kon patronen identificeren die menselijke beoordelaars wellicht zouden missen, maar het was nog niet nauwkeurig genoeg om als een zelfstandig diagnostisch hulpmiddel te worden gebruikt. De studie suggereert dat deze methode een echt en meetbaar aspect vastlegt van hoe taal uiteenvalt bij bepaalde psychiatrische condities, wat een nieuwe, objectieve manier biedt om naar spraak te kijken. Het laat zien dat de statistische verwachtingen van een machine, getraind op de collectieve taal van de mensheid, de subtiele, vaak onzichtbare breuken in de spraak van degenen die worstelen met psychose kunnen detecteren. Dit vervangt de noodzaak van menselijke artsen niet, maar biedt een potentieel nieuw hulpmiddel om hen te helpen zien wat er in de geest gebeurt via de woorden die een persoon kiest om te spreken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.