DOI: https://doi.org/10.1145/3706598.3714287
تاريخ النشر: 2025-04-24
المؤلف: Buse Carik وآخرون
الموضوع الرئيسي: التدخلات الرقمية في الصحة النفسية
نظرة عامة
تبحث هذه الدراسة في تصورات الأفراد المصابين بالتوحد بشأن استخدام نماذج اللغة الكبيرة (LLMs) لإدارة الحديث السلبي عن الذات (NST)، وهي مشكلة شائعة تزيد من القلق والاكتئاب بين هذه الفئة. أظهر استطلاع شمل 200 بالغ مصاب بالتوحد، بالإضافة إلى مقابلات مع ممارسين، أن المشاركين يجدون أن نماذج اللغة الكبيرة مفيدة في تحديد وإعادة صياغة الأفكار السلبية، فضلاً عن التعبير العاطفي. ومع ذلك، تم إثارة المخاوف بشأن فهم نماذج اللغة الكبيرة لعمليات التفكير غير التقليدية، ويرجع ذلك أساسًا إلى تحيزاتها النمطية. أشار الممارسون إلى أن ردود نماذج اللغة الكبيرة يمكن أن تكون غالبًا مطولة وغامضة، مما قد يعيق فعاليتها.
تخلص الدراسة إلى أنه بينما تحمل نماذج اللغة الكبيرة وعدًا كأدوات مكملة للعلاج التقليدي – حيث تقدم الدعم في تحديد أنماط التفكير السلبية، وتوجيه التأمل، وتسهيل التعبير العاطفي – إلا أن هناك قيودًا كبيرة. أعرب المشاركون عن مخاوفهم بشأن قدرة الذكاء الاصطناعي على فهم مشاعرهم بالكامل وإمكانية إساءة استخدام البيانات الشخصية. وأكد المعالجون على ضرورة الدعم البشري في معالجة الحديث السلبي عن الذات. يدعو المؤلفون إلى تطوير أدوات مساعدة تأخذ في الاعتبار الاحتياجات المتنوعة لطيف التوحد، بهدف تعزيز الاستقلال والثقة داخل مجتمع التوحد مع الاعتراف بدور الذكاء الاصطناعي في تعزيز الروابط في بيئات الدعم عبر الإنترنت.
مقدمة
تناقش مقدمة ورقة البحث ظاهرة الحديث السلبي عن الذات (NST)، التي تتميز بالشك الذاتي والحوار الداخلي النقدي، والتي تؤثر بشكل كبير على الرفاهية العاطفية والعقلية. وتبرز أن الحديث السلبي عن الذات هو مؤشر على مشكلات الصحة النفسية، خاصة بين الأفراد المصابين بالتوحد الذين يعانون من معدلات أعلى من التفكير السلبي المتكرر مقارنة بأقرانهم غير المصابين بالتوحد. تؤكد الورقة على أهمية معالجة الحديث السلبي عن الذات في السياقات العلاجية، خاصة بالنظر إلى قيود العلاج التقليدي لبعض الأفراد المصابين بالتوحد، وخاصة أولئك الذين يواجهون تحديات في التواصل اللفظي والتعبير العاطفي.
يستكشف المؤلفون إمكانية نماذج اللغة الكبيرة (LLMs) مثل ChatGPT لمساعدة الأفراد المصابين بالتوحد في التعامل مع الحديث السلبي عن الذات. يحددون أسئلة بحث تهدف إلى فهم تجارب الأفراد المصابين بالتوحد مع الحديث السلبي عن الذات، وتصوراتهم لدور الذكاء الاصطناعي في استراتيجيات التكيف، ووجهات نظر ممارسي الصحة النفسية بشأن نماذج اللغة الكبيرة. شمل البحث استطلاعًا عبر الإنترنت لـ 200 بالغ مصاب بالتوحد ومقابلات مع ثلاثة ممارسين، مما كشف أن المشاركين غالبًا ما يعانون من الحديث السلبي عن الذات المرتبط بتصورات سلبية عن الذات والانفصال الاجتماعي. أعربوا عن اهتمامهم بنماذج اللغة الكبيرة كأدوات داعمة لتحديد وإعادة صياغة الأفكار السلبية، بينما سلطوا الضوء أيضًا على المخاوف بشأن قدرة النماذج على فهم أنماط التواصل غير التقليدية. تشير النتائج إلى الحاجة إلى أدوات ذكاء اصطناعي شاملة لدعم الصحة النفسية تكمل العلاج التقليدي، مع معالجة تفضيلات المستخدمين ومخاوف السلامة.
الطرق
في هذه الدراسة، تم إجراء استطلاع عبر الإنترنت مع البالغين المصابين بالتوحد للتحقيق في تجاربهم مع الحديث السلبي عن الذات (NST) وآرائهم حول كيفية مساعدتهم الذكاء الاصطناعي (AI) في إدارة هذه الأفكار. كان الهدف من الاستطلاع هو تحديد آليات الدعم المفضلة، وأنماط التفاعل، والمخاوف المتعلقة باستخدام الذكاء الاصطناعي للتعامل مع الحديث السلبي عن الذات. بعد الاستطلاع، تم إجراء مشاورات مع الممارسين الذين يعملون مع الأفراد المصابين بالتوحد لتقييم ملاحظات المشاركين من منظور سريري ومناقشة إمكانية دمج الذكاء الاصطناعي في الممارسات العلاجية الحالية.
لتسهيل هذه المناقشات، تم تقديم مطالبات واختيارات المشاركين من أداتين تجاريتين للذكاء الاصطناعي، ChatGPT وClaude. تم تنظيم المواد في جدولين: احتوى الجدول 6 على مطالبات تتعلق بالتفاعلات العامة، مثل التحيات وطلبات النصيحة، بينما ركز الجدول 7 على المطالبات المتعلقة بالحديث السلبي عن الذات، والتعبير العاطفي، والحاجة إلى الدعم في المحادثات. سلطت هذه الجداول الضوء على الأنماط المتكررة في مجموعة البيانات، موضحة طبيعة تفاعلات المشاركين وردود الذكاء الاصطناعي المقابلة، مما يحدد المجالات التي قد تقصر فيها الذكاء الاصطناعي في تلبية احتياجات الأفراد المصابين بالتوحد.
النتائج
في هذا القسم، يقدم المؤلفون النتائج من تحليلهم للبيانات الكمية والنوعية المتعلقة بتجارب الأفراد غير التقليديين مع الأفكار غير الانتحارية (NST) وتفاعلاتهم مع نماذج اللغة الكبيرة (LLMs). تحدد الدراسة أولاً أكثر أنواع الحديث السلبي عن الذات شيوعًا بين المشاركين، مع فحص المحفزات، وتأثيرات الحياة اليومية، واستراتيجيات التكيف (سؤال البحث 1، RQ1). كما تستكشف تصورات الأفراد المصابين بالتوحد لدور الذكاء الاصطناعي المحتمل في إدارة الحديث السلبي عن الذات، بما في ذلك تفضيلاتهم لهيكل المحادثة، والنبرة، والوسائط، إلى جانب تقييمات من ممارسي الصحة النفسية (سؤال البحث 2، RQ2). بالإضافة إلى ذلك، يقدم المؤلفون رؤى حول المطالبات المقدمة إلى نماذج اللغة الكبيرة والردود المقابلة، بالإضافة إلى تقييمات الممارسين لهذه التفاعلات (سؤال البحث 3، RQ3).
لتحديد هذه النتائج، تم إجراء تحليلات الانحدار اللوجستي الترتيبي لتحديد كيف يؤثر الاستخدام السابق لنماذج اللغة الكبيرة على تفضيلات المشاركين لأنواع الدعم والتفاعلات، فضلاً عن مخاوفهم. كانت المتغيرات التابعة هي تقييمات المشاركين على مقياس ليكرت من 5 نقاط، بينما صنف المتغير المستقل الاستخدام السابق لنماذج اللغة الكبيرة إلى ثلاث مجموعات: المستخدمون للدعم النفسي، المستخدمون لأغراض أخرى، وغير المستخدمين، مع اعتبار مستخدمي الصحة النفسية كمجموعة مرجعية. تشمل النتائج، المفصلة في الجداول 8 إلى 12، معاملات الانحدار (𝐵)، ونسب الأرجحية (OR)، والقيم p، مما يشير إلى أن قيم OR التي تقل عن 1 تشير إلى انخفاض احتمال التفضيل مقارنة بالمجموعة المرجعية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الانتشار الكبير للحديث السلبي عن الذات (NST) بين الأفراد المصابين بالتوحد، حيث يتأثر حوالي 1 من كل 36 شاب في الولايات المتحدة بالتوحد. غالبًا ما يعاني الأفراد المصابون بالتوحد من معدلات مرتفعة من الحديث السلبي عن الذات، مما يت correlates مع زيادة القلق والاكتئاب والضغوط النفسية العامة. قد لا تكون الأساليب العلاجية التقليدية، مثل العلاج السلوكي المعرفي (CBT) وعلاج القبول والالتزام (ACT)، فعالة دائمًا بسبب حواجز التواصل التي يواجهها العديد من الأفراد المصابين بالتوحد. تقترح هذه الدراسة استكشاف الذكاء الاصطناعي (AI) كآلية دعم محتملة للتعامل مع الحديث السلبي عن الذات، بهدف تعزيز العمليات العلاجية ونتائج الصحة النفسية.
لقد حققت مجتمع التفاعل بين الإنسان والحاسوب (HCI) تقدمًا في استخدام التكنولوجيا لتحسين النتائج العلاجية للأفراد المصابين بالتوحد، مستخدمين أدوات مثل الروبوتات الاجتماعية، والواقع الافتراضي، وتطبيقات الذكاء الاصطناعي. بينما ركزت الكثير من الأبحاث الحالية على الأطفال المصابين بالتوحد، هناك اعتراف متزايد بالاحتياجات النفسية للأفراد المصابين بالتوحد، الذين يسعون بشكل متزايد إلى أدوات الذكاء الاصطناعي للرفقة والدعم. ومع ذلك، لا تزال المخاوف بشأن السلامة، والتحيز النمطي، وتخصيص ردود الذكاء الاصطناعي قائمة. تهدف الدراسة إلى التحقيق في هذه التحديات من وجهات نظر الأفراد المصابين بالتوحد والممارسين، مما يبرز الحاجة إلى نهج يؤكد على التنوع العصبي في تصميم وتنفيذ أدوات الذكاء الاصطناعي لدعم الصحة النفسية.
القيود
تقدم الدراسة عدة قيود تؤثر على قابلية تعميم وعمق نتائجها. أولاً، شمل الاستطلاع، الذي تضمن 200 بالغ مصاب بالتوحد في الولايات المتحدة، أفرادًا من ذوي البشرة البيضاء/القوقازية بمستويات تعليمية أعلى، مما قد يشوه قابلية تطبيق النتائج عبر أعراق، وحالات اجتماعية واقتصادية، ومناطق جغرافية متنوعة. تعكس هذه الفجوة الديموغرافية الاتجاهات الأوسع في تشخيص التوحد، كما هو ملاحظ في الأدبيات السابقة. ثانيًا، بينما قدم المشاركون رؤى حول دور نماذج اللغة الكبيرة (LLMs) في التعامل مع أدوات دعم التنوع العصبي (NST)، كان 17% فقط لديهم تجربة فعلية في استخدام هذه الأدوات للدعم النفسي، مما يشير إلى أن وجهات نظرهم قد تكون مبنية على التوقعات بدلاً من الانخراط المباشر مع قدرات نماذج اللغة الكبيرة.
بالإضافة إلى ذلك، كانت مدخلات المتخصصين في الصحة النفسية محدودة لعينة صغيرة من ثلاثة ممارسين، مما قد لا يمثل بشكل كافٍ تنوع الآراء حول التطبيقات العلاجية للذكاء الاصطناعي. على الرغم من بذل الجهود لتضمين محترفين من خلفيات علاجية مختلفة، يجب أن تشمل الأبحاث المستقبلية مجموعة أوسع من الممارسين، مثل أولئك في العلاج بالموسيقى أو الفن، لتقييم إمكانيات الذكاء الاصطناعي عبر أنماط علاجية متنوعة بشكل أفضل. أخيرًا، كانت تقييمات ردود نماذج اللغة الكبيرة محصورة في أداتين تجاريتين، ChatGPT وClaude، اللتين لهما قيود، بما في ذلك قضايا الخصوصية ونقص التدريب المحدد للصحة النفسية. يجب أن تشمل الدراسات المستقبلية نماذج الذكاء الاصطناعي غير التجارية للحصول على فهم أكثر شمولاً لدور الذكاء الاصطناعي في السياقات العلاجية.
DOI: https://doi.org/10.1145/3706598.3714287
Publication Date: 2025-04-24
Author(s): Buse Carik et al.
Primary Topic: Digital Mental Health Interventions
Overview
This research investigates the perceptions of autistic individuals regarding the use of large language models (LLMs) for managing negative self-talk (NST), a common issue that exacerbates anxiety and depression among this population. A survey of 200 autistic adults, along with interviews with practitioners, revealed that participants find LLMs beneficial for identifying and reframing negative thoughts, as well as for emotional expression. However, concerns were raised about LLMs’ understanding of neurodivergent thought processes, primarily due to their neurotypical biases. Practitioners noted that LLM responses can often be overly verbose and vague, which may hinder their effectiveness.
The study concludes that while LLMs hold promise as complementary tools to traditional therapy—offering support in identifying negative thought patterns, guiding meditation, and facilitating emotional articulation—there are significant limitations. Participants expressed apprehensions regarding AI’s capacity to fully grasp their emotions and the potential misuse of personal data. Therapists echoed these concerns, emphasizing the necessity of human support in addressing NST. The authors advocate for the development of assistive tools that consider the diverse needs of the autism spectrum, aiming to enhance independence and trust within the autistic community while recognizing the role of AI in fostering connections in online support environments.
Introduction
The introduction of the research paper discusses the phenomenon of negative self-talk (NST), characterized by self-doubt and critical inner dialogue, which significantly affects emotional and mental well-being. It highlights that NST is a predictor of mental health issues, particularly among autistic individuals who experience higher rates of repetitive negative thinking compared to their non-autistic peers. The paper emphasizes the importance of addressing NST in therapeutic contexts, especially given the limitations of traditional therapy for some autistic individuals, particularly those with challenges in verbal communication and emotional expression.
The authors explore the potential of large language models (LLMs) like ChatGPT to assist autistic individuals in coping with NST. They outline research questions aimed at understanding the experiences of autistic individuals with NST, their perceptions of AI’s role in coping strategies, and the perspectives of mental health practitioners regarding LLMs. The study involved an online survey of 200 autistic adults and interviews with three practitioners, revealing that participants often experience NST related to negative self-perception and social disconnection. They expressed interest in LLMs as supportive tools for identifying and reframing negative thoughts, while also highlighting concerns about the models’ ability to understand neurodivergent communication styles. The findings suggest a need for inclusive AI mental health tools that complement traditional therapy, addressing both user preferences and safety concerns.
Methods
In this study, an online survey was conducted with autistic adults to investigate their experiences with negative self-talk (NST) and their views on how artificial intelligence (AI) could assist them in managing these thoughts. The survey aimed to identify preferred support mechanisms, interaction styles, and concerns regarding AI usage for coping with NST. Following the survey, consultations were held with practitioners who work with autistic individuals to evaluate the participants’ feedback from a clinical perspective and to discuss the potential incorporation of AI into existing therapeutic practices.
To facilitate these discussions, selected participant prompts and responses from two commercial AI tools, ChatGPT and Claude, were presented. The materials were organized into two tables: Table 6 contained prompts related to general interactions, such as greetings and requests for advice, while Table 7 focused on prompts involving negative self-talk, emotional expression, and the need for conversational support. These tables highlighted recurring patterns in the dataset, illustrating the nature of participant interactions and the corresponding AI responses, thereby identifying areas where AI may fall short in addressing the needs of autistic individuals.
Results
In this section, the authors present findings from their analysis of both quantitative and qualitative data regarding neurodivergent individuals’ experiences with non-suicidal thoughts (NST) and their interactions with large language models (LLMs). The study first identifies the most prevalent NST among participants, examining their triggers, daily life impacts, and coping strategies (Research Question 1, RQ1). It further investigates autistic individuals’ perceptions of AI’s potential role in managing NST, including their preferences for conversation structure, tone, and modalities, alongside evaluations from mental health practitioners (Research Question 2, RQ2). Additionally, the authors provide insights into the prompts given to LLMs and the corresponding responses, as well as practitioners’ assessments of these interactions (Research Question 3, RQ3).
To quantify these findings, ordinal logistic regression analyses were performed to determine how prior use of LLMs influences participants’ preferences for support types and interactions, as well as their concerns. The dependent variables were participants’ ratings on a 5-point Likert scale, while the independent variable categorized prior LLM use into three groups: users for mental health support, users for other purposes, and non-users, with the mental health users serving as the reference group. The results, detailed in Tables 8 to 12, include regression coefficients (𝐵), odds ratios (OR), and p-values, indicating that OR values below 1 suggest a decreased likelihood of preference compared to the reference group.
Discussion
The discussion section of the research paper highlights the significant prevalence of negative self-talk (NST) among autistic individuals, with approximately 1 in 36 youth in the U.S. affected by autism. Autistic individuals often experience heightened rates of NST, which correlates with increased anxiety, depression, and overall psychological distress. Traditional therapeutic approaches, such as Cognitive Behavioral Therapy (CBT) and Acceptance and Commitment Therapy (ACT), may not always be effective due to communication barriers faced by many autistic individuals. This study proposes the exploration of artificial intelligence (AI) as a potential support mechanism for coping with NST, aiming to enhance therapeutic processes and mental health outcomes.
The Human-Computer Interaction (HCI) community has made strides in utilizing technology to improve therapeutic outcomes for autistic individuals, employing tools such as social robots, virtual reality, and AI-driven applications. While much of the existing research has focused on autistic children, there is a growing recognition of the mental health needs of autistic adults, who increasingly seek AI tools for companionship and support. However, concerns regarding the safety, neurotypical bias, and personalization of AI responses remain prevalent. The study aims to investigate these challenges from both the perspectives of autistic individuals and practitioners, emphasizing the need for neuro-affirming approaches in the design and implementation of AI tools for mental health support.
Limitations
The study presents several limitations that impact the generalizability and depth of its findings. Firstly, the survey, which included 200 autistic adults in the U.S., predominantly featured white/Caucasian individuals with higher education levels, potentially skewing the applicability of results across diverse ethnicities, socio-economic statuses, and geographic areas. This demographic imbalance reflects broader trends in autism diagnoses, as noted in previous literature. Secondly, while participants provided insights on the role of large language models (LLMs) in coping with neurodiversity support tools (NST), only 17% had actual experience using these tools for mental health support, indicating that their perspectives may be based on expectations rather than direct engagement with LLM capabilities.
Additionally, the input from mental health professionals was limited to a small sample of three practitioners, which may not adequately represent the variety of opinions on AI’s therapeutic applications. Although efforts were made to include professionals from different therapeutic backgrounds, future research should involve a wider array of practitioners, such as those in music or art therapy, to better assess AI’s potential across various therapeutic modalities. Lastly, the evaluation of LLM-generated responses was confined to two commercial tools, ChatGPT and Claude, which have limitations, including privacy issues and a lack of mental health-specific training. Future studies should expand to include non-commercial AI models to gain a more comprehensive understanding of AI’s role in therapeutic contexts.