La eficacia de una prueba de terminación de oraciones para la detección de la depresión utilizando grandes modelos...

Área de la Ciencia:

• La salud mental
• Inteligencia artificial
• Psicometría

Sus antecedentes:

• Los síntomas depresivos son un problema de salud mental global, que tiene un impacto significativo en Tailandia.
• Los métodos tradicionales de detección de la depresión pueden ser subjetivos y propensos al sesgo.
• Los grandes modelos de lenguaje (LLM) ofrecen un potencial para la modernización de las evaluaciones de salud mental.

Objetivo del estudio:

• Evaluar la eficacia de una nueva prueba de terminación de oraciones para la detección de la depresión utilizando LLM.
• Para mejorar la objetividad y reducir el sesgo en la detección de la depresión.
• Identificar las áreas clave de la vida (familia, sociedad, salud, autoconcepto) asociadas con el riesgo de depresión.

Principales métodos:

• Se desarrolló una nueva prueba de terminación de oraciones de depresión y se administró a 373 participantes (de 20 a 40 años).
• Se emplearon cuatro LLM (LLAMA 3.1-8B, Gemma2-9B, Qwen2-7B y Typhoon1.5-7B) para el análisis.
• Se utilizaron clasificadores aleatorios de bosques y árboles de decisión para clasificar el riesgo de depresión.

Principales resultados:

• La salud (0,48), el autoconcepto (0,49) y el DIFF (0,54) mostraron fuertes correlaciones positivas con los niveles de sentimiento, lo que indica indicadores significativos de riesgo de depresión.
• La familia (0,27) y la sociedad (0,19) también mostraron correlaciones positivas, aunque más débiles.
• Los modelos demostraron fiabilidad con una precisión de límite inferior de 0,78 (p ≤ 0,05); LLAMA3.1 y Gemma2 mostraron la mayor sensibilidad.

Conclusiones:

• Los LLM son prometedores para evaluar objetivamente el riesgo de depresión a través de pruebas de terminación de oraciones.
• La salud y el autoconcepto son factores críticos para identificar el riesgo de depresión.
• La investigación futura debe centrarse en consideraciones éticas, poblaciones diversas y actualizaciones de datos para mejorar la precisión y la generalización.