Aprendizaje supervisado y grandes modelos de lenguaje de referencia en conjuntos de datos de salud mental:...

Área de la Ciencia:

• Lingüística computacional
• Informática psicológica
• Inteligencia artificial en la salud mental

Sus antecedentes:

• Los usuarios de las redes sociales expresan emociones, lo que podría indicar angustia psicológica.
• La identificación temprana de las ideas suicidas y las distorsiones cognitivas es crucial para la intervención.

Objetivo del estudio:

• Presentar dos nuevos conjuntos de datos de las redes sociales chinas: SOS-HL-1K (riesgo de suicidio) y SocialCD-3K (distorsión cognitiva).
• Evaluar los métodos de aprendizaje supervisado y los grandes modelos de lenguaje para la detección del estado psicológico.
• Comparar las estrategias de ingeniería rápida y el ajuste fino para los LLM.

Principales métodos:

• Desarrollo y utilización de los conjuntos de datos SOS-HL-1K (1249 puestos) y SocialCD-3K (3407 puestos).
• Se evaluaron dos modelos de aprendizaje supervisado y ocho LLM.
• Implementó estrategias rápidas de cero disparos y pocos disparos, junto con el ajuste fino.

Principales resultados:

• El aprendizaje supervisado logró un alto rendimiento (82,76% F1 para el riesgo de suicidio, 76,10% micro-F1 para la distorsión cognitiva).
• Los LLM impulsados tuvieron un rendimiento inferior al de los métodos supervisados sin ajuste fino.
• El ajuste fino mejoró significativamente el rendimiento de LLM, reduciendo la brecha a 4,31% y 3,14%.

Conclusiones:

• El aprendizaje supervisado sigue siendo esencial para tareas psicológicas complejas en las redes sociales.
• Los LLM son prometedores, pero requieren un ajuste fino para que coincida con los métodos supervisados.
• Los conjuntos de datos desarrollados facilitan una mayor investigación en psicología computacional.