使用自我报告的情绪和行为模式检测青少年的自杀念头:比较机器学习和大型语言模型预测.

科学领域:

• 青少年心理健康 青少年心理健康
• 计算精神病学是一种计算精神病学.
• 公共卫生监督是对公共卫生的监督.

背景情况:

• 青少年的自杀念头是一个重大的公共卫生问题.
• 早期检测对于干预和预防工作至关重要.
• 现有的选工具需要通过新的计算方法进行验证.

研究的目的:

• 评估机器学习 (ML) 和大型语言模型 (LLM) 在检测青少年自杀念头方面的有效性.
• 为了比较在问卷数据上训练的ML模型的性能与LLM生成的预测.
• 确定与青少年自杀念头相关的关键指标.

主要方法:

• 利用自报的优点和困难问卷 (SDQ) 数据从1,197名学生 (年龄10-15).
• 雇佣的LLM (Gemini 1.5 Pro,GPT-4o) 来预测自杀意图问卷-初级 (SIQ-JR) 评分从SDQ和人口统计数据.
• 使用SDQ数据和/或LLM预测进行训练和交叉验证的ML模型 (逻辑回归,天真贝叶斯,随机森林).

主要成果:

• 根据LLM的预测,SIQ-JR得分与中等相关性 (ρ = .61) 和良好的区别 (AUC ≥ .83) 相比.
• 直接在SDQ数据上训练的ML模型在检测自杀想法方面始终超过基于LLM的模型.
• 最好的基于SDQ的ML模型达到85%的灵敏度和72%的特异性; 最好的基于LLM的模型达到80%的灵敏度和74%的特异性.

结论:

• 虽然LLM显示出从SDQ和人口统计数据中识别自杀念头的潜力,但直接对SDQ反应的ML分析目前更有效.
• 情绪症状和同行问题与自杀念头有很强的关联.
• 对于这些人工智能驱动的检测方法的临床实施,需要进一步的研究和验证.