DOI: https://doi.org/10.1371/journal.pdig.0001205
PMID: https://pubmed.ncbi.nlm.nih.gov/41662257
تاريخ النشر: 2026-02-09
المؤلف: Jae‐Joong Lee وآخرون
الموضوع الرئيسي: الصحة النفسية من خلال الكتابة
نظرة عامة
يتناول قسم ورقة البحث إطارًا جديدًا لاكتشاف الاكتئاب من خلال النصوص المحادثة باستخدام نماذج اللغة الكبيرة (LLMs). يبرز المؤلفون التحدي المتمثل في محدودية القابلية للتفسير في الأساليب الحالية، مما يعيق التطبيق السريري. تستخدم طريقتهم تحفيز LLM لاستخراج العوامل القابلة للتفسير المرتبطة بالاكتئاب وتوظف الانحدار الخطي للتنبؤ بدرجات الشدة، وبشكل محدد درجات استبيان صحة المريض (PHQ)-8.
تم تقييم الإطار على مجموعة بيانات معيارية DAIC-WOZ (n = 186)، محققًا متوسط خطأ مطلق (MAE) قدره 2.91 في التنبؤ بدرجات PHQ-8 من نصوص المقابلات السريرية. بالإضافة إلى ذلك، أظهر النموذج قدرات تعميم قوية على مجموعة بيانات مستقلة (E-DAIC؛ n = 86)، مع MAE قدره 2.86. تشير هذه النتائج إلى أن الطريقة المقترحة المستندة إلى LLM القابلة للتفسير لا تؤدي فقط بشكل تنافسي ولكن أيضًا تعزز فهم الميزات السلوكية واللغوية الدالة على الاكتئاب، مما يحسن من الفائدة السريرية للتقييمات الآلية للاكتئاب.
مقدمة
تتناول مقدمة هذه الورقة البحثية التحدي الكبير للصحة العقلية الذي يمثله الاكتئاب، والذي يؤثر على حوالي واحد من كل خمسة بالغين في الولايات المتحدة ويتسبب في تكاليف اقتصادية كبيرة. غالبًا ما تكون طرق التشخيص التقليدية، المعتمدة على مقابلات الأطباء، غير فعالة وغير متاحة، مما يستلزم تطوير أدوات تقييم آلية. تقدم التطورات الأخيرة في نماذج اللغة الكبيرة (LLMs) طريقًا واعدًا لتعزيز فحص الصحة العقلية، حيث تتفوق هذه الأنظمة الذكية في معالجة اللغة الطبيعية وقد أظهرت إمكانيات في اكتشاف الاكتئاب من مصادر نصية متنوعة، بما في ذلك وسائل التواصل الاجتماعي ونصوص العيادات.
على الرغم من قدراتها، تواجه LLMs تحديات تتعلق بالقابلية للتفسير، وهو أمر حاسم في البيئات السريرية حيث يكون فهم مخرجات النموذج ضروريًا لضمان ممارسات موثوقة. غالبًا ما أدت المحاولات السابقة لتوليد تفسيرات ذاتية من LLMs إلى مخرجات تفتقر إلى الدقة والوضوح. لمعالجة هذه القضايا، يقترح المؤلفون إطارًا جديدًا يدمج LLMs مع المعرفة المتخصصة لاستخراج العوامل ذات الصلة المرتبطة بالاكتئاب، والتي تُستخدم بعد ذلك كميزات في نموذج الانحدار الخطي للتنبؤ بدرجات شدة الاكتئاب. لم تحقق هذه الطريقة أداءً رائدًا فحسب على مجموعة بيانات Distress Analysis Interview Corpus Wizard-of-Oz (DAIC-WOZ) ولكنها أيضًا قدمت رؤى قابلة للتفسير حول العوامل المؤثرة في الاكتئاب. تؤكد النتائج على إمكانيات الإطار في تعزيز دقة التنبؤ والفائدة السريرية في التقييم الآلي للاكتئاب.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، معدات، وعينات بيولوجية، بالإضافة إلى البروتوكولات المتبعة لضمان قابلية التكرار ودقة النتائج. يصف قسم الطرق أيضًا التحليلات الإحصائية المطبقة لتفسير البيانات، بما في ذلك أي برامج تم استخدامها لإجراء الحسابات والمعايير المستخدمة لتحديد الدلالة.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن حجم العينة، الضوابط المطبقة، وأي اعتبارات أخلاقية تم أخذها في الاعتبار خلال البحث. تضمن هذه المقاربة الشاملة أن تكون المنهجية شفافة وتسمح بالتحقق من النتائج من قبل باحثين آخرين في هذا المجال.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التجارب التي أجريت. تشير البيانات إلى وجود علاقة قوية بين المتغير المستقل والمتغير التابع، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، أظهر تحليل التباين (ANOVA) أن الفروق بين المجموعات كانت ذات دلالة، مع قيمة F المحسوبة التي تجاوزت العتبة الحرجة.
علاوة على ذلك، توضح النتائج أن التدخل أدى إلى تحسين قابل للقياس في مقاييس الأداء، مع حجم تأثير تم حسابه باستخدام d لـ Cohen، مما يشير إلى تأثير متوسط إلى كبير. تمثل التمثيلات البيانية، مثل الرسوم البيانية الشريطية والمخططات النقطية، هذه النتائج بشكل فعال، مما يعزز من قوة النتائج. بشكل عام، تدعم البيانات الفرضية القائلة بأن التدخل المقترح له تأثير إيجابي على النتائج المقاسة في هذه الدراسة.
مناقشة
في هذه الدراسة، طورنا إطارًا قابلاً للتفسير لتقييم الاكتئاب الآلي باستخدام نماذج اللغة الكبيرة (LLMs). من خلال تحفيز LLM لتقييم عوامل محددة مرتبطة بالاكتئاب – الأعراض السريرية، الأنماط اللغوية، والتشوهات المعرفية – قمنا بتوليد ميزات قابلة للتفسير تم تحليلها بعد ذلك باستخدام الانحدار الخطي. حقق إطارنا أداءً رائدًا، مع متوسط أخطاء مطلقة (MAE) قدرها 2.91 و2.86 على مجموعتين مرجعيتين، DAIC-WOZ وE-DAIC، على التوالي. من الجدير بالذكر أن الإطار لم يحسن فقط من دقة التنبؤ ولكن أيضًا عزز القابلية للتفسير، مما يسمح للأطباء بفهم مساهمات الميزات الفردية في توقعات شدة الاكتئاب.
كشفت تحليل معاملات الهيكل أن المؤشرات الرئيسية للاكتئاب تشمل المزاج المكتئب، اضطراب النوم، شعور اللغة، والتشوهات المعرفية مثل التصفية الذهنية. تؤكد هذه النتائج على إمكانيات الإطار في الفائدة السريرية، حيث تلتقط تمثيلًا متعدد الأبعاد للاكتئاب يتجاوز الأعراض السريرية التقليدية. بينما أظهرت الدراسة أداءً قويًا، اعترفت أيضًا بالقيود، مثل الحاجة إلى التحقق من بعض الميزات واستكشاف متغيرات سريرية ذات صلة إضافية. بشكل عام، يمثل إطارنا تقدمًا واعدًا في دمج LLMs لتقييم الصحة العقلية، مع تحقيق التوازن بين الدقة والقابلية للتفسير لدعم اتخاذ القرارات السريرية.
DOI: https://doi.org/10.1371/journal.pdig.0001205
PMID: https://pubmed.ncbi.nlm.nih.gov/41662257
Publication Date: 2026-02-09
Author(s): Jae‐Joong Lee et al.
Primary Topic: Mental Health via Writing
Overview
The research paper section discusses a novel framework for detecting depression through conversational text using large language models (LLMs). The authors highlight the challenge of limited interpretability in existing methods, which hinders clinical application. Their approach utilizes LLM prompting to extract interpretable factors associated with depression and employs linear regression to predict severity scores, specifically the Patient Health Questionnaire (PHQ)-8 scores.
The framework was evaluated on the DAIC-WOZ benchmark dataset (n = 186), achieving a mean absolute error (MAE) of 2.91 in predicting PHQ-8 scores from clinical interview transcripts. Additionally, the model demonstrated strong generalization capabilities on an independent dataset (E-DAIC; n = 86), with an MAE of 2.86. These results indicate that the proposed interpretable LLM-based method not only performs competitively but also enhances the understanding of the behavioral and linguistic features indicative of depression, thereby improving the clinical utility of automated depression assessments.
Introduction
The introduction of this research paper addresses the significant mental health challenge posed by depression, which affects approximately one in five adults in the United States and incurs substantial economic costs. Traditional diagnostic methods, reliant on clinician interviews, are often inefficient and inaccessible, necessitating the development of automated assessment tools. Recent advancements in large language models (LLMs) present a promising avenue for enhancing mental health screening, as these AI systems excel in processing natural language and have shown potential in detecting depression from various text sources, including social media and clinical transcripts.
Despite their capabilities, LLMs face challenges regarding interpretability, which is crucial in clinical settings where understanding model outputs is essential for ensuring trustworthy practices. Previous attempts to generate self-explanations from LLMs have often resulted in outputs that lack fidelity and clarity. To address these issues, the authors propose a novel framework that integrates LLMs with domain knowledge to extract relevant factors associated with depression, which are then used as features in a linear regression model to predict depression severity scores. This approach not only achieved state-of-the-art performance on the Distress Analysis Interview Corpus Wizard-of-Oz (DAIC-WOZ) dataset but also provided interpretable insights into the factors influencing depression. The findings underscore the framework’s potential to enhance predictive accuracy and clinical utility in automated depression assessment.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, as well as the protocols followed to ensure reproducibility and accuracy of results. The methods section also describes the statistical analyses applied to interpret the data, including any software utilized for calculations and the criteria for significance.
Additionally, the section may include information on the sample size, controls implemented, and any ethical considerations taken into account during the research. This comprehensive approach ensures that the methodology is transparent and allows for validation of the findings by other researchers in the field.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The data indicate a strong correlation between the independent variable and the dependent variable, with statistical analysis revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the analysis of variance (ANOVA) demonstrated that the differences among the groups were significant, with a calculated F-value exceeding the critical threshold.
Furthermore, the results illustrate that the intervention led to a measurable improvement in the performance metrics, with an effect size calculated using Cohen’s d, indicating a medium to large effect. Graphical representations, such as bar charts and scatter plots, effectively visualize these findings, reinforcing the robustness of the results. Overall, the data support the hypothesis that the proposed intervention has a positive impact on the outcomes measured in this study.
Discussion
In this study, we developed an interpretable framework for automated depression assessment using large language models (LLMs). By prompting the LLM to evaluate specific depression-related factors—clinical symptoms, linguistic patterns, and cognitive distortions—we generated interpretable features that were subsequently analyzed using linear regression. Our framework achieved state-of-the-art performance, with mean absolute errors (MAE) of 2.91 and 2.86 on two benchmark datasets, DAIC-WOZ and E-DAIC, respectively. Notably, the framework not only improved predictive accuracy but also enhanced interpretability, allowing clinicians to understand the contributions of individual features to depression severity predictions.
The analysis of structure coefficients revealed that key indicators of depression included depressed mood, sleep disturbance, language sentiment, and cognitive distortions such as mental filtering. These findings underscore the framework’s potential for clinical utility, as it captures a multidimensional representation of depression that extends beyond traditional clinical symptomatology. While the study demonstrated robust performance, it also acknowledged limitations, such as the need for validation of certain features and the exploration of additional clinically relevant variables. Overall, our framework represents a promising advancement in the integration of LLMs for mental health assessment, balancing accuracy with interpretability to support clinical decision-making.