تُعتبر الاضطرابات النفسية إحدى القضايا التي تؤثر على ملايين الأشخاص حول العالم، وعلى الرغم من ذلك، تظل فرص الوصول إلى الاستشارات المهنية محدودة للغاية. تقدم الأنظمة المحورية المدعومة بالذكاء الاصطناعي بديلاً قابلاً للتوسع، لكن النماذج الحالية تواجه تحديين أساسيين.

أولًا، تفتقر هذه النماذج إلى الفهم الثنائي الاتجاه اللازم لالتقاط الطبيعة المعقدة للتعبير العاطفي، لا سيما في الحالات التي يتطلب فيها الأمر إفصاحًا تدريجيًا، حيث يقدم العملاء في كثير من الأحيان أعراضًا على السطح بينما يخفون صدمات أعمق.

ثانيًا، لا تتمكن هذه النماذج من دمج المعرفة العلائقية التي تشكل أساس التفكير السريري بشكل فعال.

في هذا السياق، يتناول البحث نموذج BiGraph-Diffuse، والذي يُعَد الأول من نوعه في مجال معالجة اللغة المخصصة لاستشارات الصحة النفسية. بالإضافة إلى ذلك، يقدم الباحثون نموذج BiGraph-RAG، وهي استراتيجية استرجاع هيكلية قائمة على الرسوم البيانية، تعتمد فقط على استخراج الكيانات البسيط وتوصيل المعاني.

تصميم هذه النماذج يحافظ على مسارات الاستنتاج من الأعراضobservable إلى الأسباب الكامنة المحتملة، كل ذلك دون تحمل تكاليف إضافية على مستوى رمز نماذج اللغات الكبيرة (LLM) أثناء الفهرسة.

المسار غير المعتاد للرؤية بين النموذجين لا يقتصر فقط على الجمع بينهما، بل يعزز كلاهما من الآخر. يوفر النموذج diffusion سياقًا ثنائي الاتجاه شاملًا، مما يمكن النظام من تأجيل الأحكام المبكرة أثناء الإفصاح التدريجي. في الوقت نفسه، تلتقط آلية الاسترجاع المبنية على البيانية العلاقات الهيكلية للمعرفة السريرية.

توفر تجارب موسعة دليلًا على فعالية BiGraph-Diffuse، ويُعززها تحليل نظري قوي يدعم تصميمها. إن هذا الابتكار يعد خطوة مهمة نحو تحسين إمكانية الوصول إلى رعاية صحية نفسية أكثر استجابة وفعالية.