أصبح اكتشاف التشوهات العقلية التي ترتبط ارتباطًا وثيقًا بالاضطرابات النفسية تحديًا كبيرًا، وذلك نتيجة الغموض السياقي والتداخل الدلالي. لكن، خرجت دراسة جديدة بمقاربة مبتكرة لمواجهة هذا التحدي. هذه المقاربة تستفيد من نماذج اللغات الضخمة (Large Language Models - LLMs) والهياكل المعتمدة على التعلم متعدد الحالات (Multiple-Instance Learning - MIL).

في هذه الدراسة، يتم تحليل كل عبارة إلى ثلاث مكونات رئيسية: العاطفة (Emotion) والمنطق (Logic) والسلوك (Behavior) من أجل تعزيز الفهم والتقييم. ويتم معالجة هذه المكونات بواسطة نماذج اللغات الضخمة لاستنتاج عدة حالات تشوه، كل منها بمؤشر نوع معين ودرجة أهمية معينة تفرضها النموذج. بعد ذلك، يتم دمج هذه الحالات عبر آلية الانتباه متعدد المشاهدات (Multi-View Gated Attention) لإجراء التصنيف النهائي.

أظهرت التجارب التي أجريت على مجموعات بيانات كورية (KoACD) وإنجليزية (Therapist QA) أن دمج مكونات ELB والنقاط الهامة المستخلصة من LLMs قد حسن الأداء التصنيفي، خاصة بالنسبة للتشوهات التي تحمل غموضًا تفسيريًا عاليًا.

تشير نتائج هذه الدراسة إلى نهج يرتكز على أسس نفسية وقابل للتعميم لفهم دقيق في مجال معالجة اللغة الطبيعية المتعلقة بالصحة النفسية، وتتوفر تفاصيل مجموعة البيانات والتنفيذ للجمهور.