في عالمنا اليوم، يواجه التقدير الآلي للاكتئاب تحديات كبيرة، خاصة في البيئات المتنوعة التي تكتنفها الضوضاء الطبيعية والتقلبات السلوكية. وبينما تحاول الأساليب الشائعة تقديم نتائج دقيقة، فإنها غالباً ما تفشل في قياس عدم اليقين، مما يعرض نتائج تقديراتها لمخاطر الثقة الزائدة. وهنا يأتي دور EviDep، الإطار التعليمي الذي يغير قواعد اللعبة.

يعمل EviDep على تقدير شدة الاكتئاب بالتوازي مع قياس عدم اليقين الناتج عن عوامل عشوائية (aleatoric) ومعرفة (epistemic)، باستخدام توزيع Normal-Inverse-Gamma. ولضمان سلامة الأدلة السلوكية المستخرجة ومنع تضخيم الثقة بشكل مصطنع أثناء دمج البيانات متعددة الوسائط، يقدم EviDep آليتين تم تطويرهما خصيصًا لتحقيق هذا الهدف.

أولاً، يقوم نموذج استخراج المزايا مع مراعاة التردد (Frequency-aware Feature Extraction) بفصل الأسس الشعورية المستقرة عن النوبات السلوكية السريعة بفضل استخدام طريقة Mixture-of-Experts المستندة إلى الموجات. هذا يساعد في تصفية العناصر غير ذات الصلة بالمهام. ثانياً، يعتمد EviDep استراتيجية التعلم الدليل المنفصل (Disentangled Evidential Learning)، التي تضمن عدم تداخل المزايا في هذه التمثيلات المصفاة. من خلال فصل الإجماع المشترك بين الوسائط عن الفروق السلوكية الخاصة بكل وسيلة، يتمكن النموذج من تجنب احتساب المعلومات المتكررة.

أظهرت التجارب المكثفة على مجموعة من قواعد البيانات مثل AVEC 2013 وAVEC 2014 وDAIC-WOZ وE-DAIC، أن EviDep يسجل أعلى مستوى من الدقة في التنبؤ وتعديل موثوقية النتائج، مما يجعله أداة دعم قرار موثوقة وواعية بالمخاطر لتقدير الاكتئاب. هل أنتم مستعدون لتبني هذه الحلول المبتكرة في العلم النفسي؟