في عالم الصحة النفسية، تُعد القدرة على تصنيف البيانات بدقة عاملاً حاسماً. لكن ماذا يحدث عندما يتغير مصدر البيانات؟ هذا ما تسلط عليه الدراسة الجديدة الضوء من خلال فرضية التباين (Divergence Hypothesis).

تقدم هذه الدراسة المبتكرة إطار عمل يسمى TSS (Triple-Stream Stress probe)، وهو نظام تشخيصي متعدد القنوات يمكنه تحليل النصوص من خلال ثلاثة مجالات رئيسية: (A) n-grams (انغرام) اللغوية، (B) قناة صغيرة خالية من المحتوى بشكل كبير، و(C) قناة أسلوب نفسي لغوي تحتوي على 154 ميزة.

قام الباحثون باختبار هذا الإطار على أربع مجموعات بيانات إنجليزية تضم 12,906 عينة، ليظهروا تأثير التداخل اللغوي. تم رصد أن إضافة ميزات لغوية إلى قناة الأسلوب تؤدي إلى انخفاض في أداء Macro-F1 عندما يتعلق الأمر بالبيانات المعلمة بواسطة بشر (حيث كان معدل الانخفاض 0.072).

ورغم ذلك، لم تتأثر البيانات المعلمة بشكل آلي بنفس الطريقة، مما يدل على الفجوة بين الطريقتين. تقديم مقياس Degree of Divergence (DoD) كوسيلة لتقدير هذا التباين في البيانات الفريدة، والذي أظهر نتائج مثيرة.

هذا البحث لا يُعتبر أداة للتشخيص السريري، بل هو إطار يسمح بفحص الأخطاء المحتملة في التعلم المستند إلى المصادر، مما يساعد في تحسين دقة تصنيف البيانات في مجال الصحة النفسية.

تكنولوجيا مثل TSS تمثل خطوة هامة نحو تعزيز استخدام الذكاء الاصطناعي في مجال الصحة النفسية، مع التركيز على تحسين الفهم البشري للبيانات وآليات معالجة اللغة الطبيعية (Natural Language Processing).