في خضم التقدم السريع في عالم الذكاء الاصطناعي، أصبحت نماذج اللغة الضخمة (Large Language Models) تمثل وسيلة قوية لفهم وتحليل المشاعر البشرية، وخاصة تلك المرتبطة بالاكتئاب.

السلوكيات والأعراض التي تظهر على المرضى المصابين بالاكتئاب تختلف بشكل كبير، لكن الممارسات السريرية غالبًا ما تقوم بتبسيطها إلى درجات شدة واحدة. ومع ذلك، يمكن لنماذج اللغة الضخمة أن تلتقط مجموعة متنوعة من الأعراض وشدتها من خلال تحليل خطابات المرضى.

لكن كيف يمكن أن نفهم كيف تمثل هذه الأعراض داخل النماذج؟

من خلال تقنيات التفسير الميكانيكي، استندت دراسة جديدة على نموذج Gemma-3-27B-PT لتحليل المكونات الداخلية للنموذج وفهم العلاقة بين الأعراض وسلوكيات المرضى. إذ تم جمع بيانات من أوصاف الأعراض المأخوذة من أدوات سريرية معتمدة، مما أظهر أن المجموعات المرتبطة بالأعراض كانت تفصل بشكل هندسي واضح في الطبقة 21 من النموذج عبر عدة مقاييس مسافة.

عند القيام بتحليل أكثر عمقًا باستخدام تقنية الإسقاط الدلالي، تم إسقاط نصوص طبيعية على "متجهات الأعراض" التي تم إنشاؤها، مما أسفر عن نتائج احتفظت بترتيب الأعراض كما اعتبرها الأطباء، خصوصًا في مجالات المزاج، الأعراض الجسمانية، والأفكار الانتحارية.

الأهم من ذلك، أن تطوير متجه اكتئاب واحد في الطبقة 21 ساعد على التمييز بين النصوص الاكتئابية وغير الاكتئابية، مما يعزز موثوقية النماذج ويسهم في تطوير أدوات تقييم الاكتئاب القابلة للتفسير.

هذه النتائج تمثل خطوة هامة نحو بناء أدوات تقييم صحة نفسية أكثر دقة وملائمة، مما يساعد الأطباء على تقديم الرعاية الأفضل لمرضاهم.