تظل خدمات الرعاية الصحية النفسية المحترفة بعيدة المنال للعديد من الأفراد، مما يدفع الكثيرين للتوجه إلى المنصات الإلكترونية مثل ريديت (Reddit) بحثًا عن دعم من أقرانهم في إطار التجارب الإنسانية الحياتية. ومع ذلك، فشل عدد كبير من هذه الاستفسارات في الحصول على إجابات، مما يمثل فرصة لاستخدام نماذج اللغات الضخمة (Large Language Models) لسد هذه الفجوة.

على الرغم من أن نماذج اللغات الضخمة قد أثبتت كفاءتها العالية في تقييمات سريرية متعددة، إلا أن قدرتها على توليد دعم إنساني مستند إلى تجارب الحياة الحقيقية وتجارب المجتمع لا تزال غير مستكشَفة بشكل كافٍ. للتصدي لهذا التحدي، قدم الباحثون مجموعة بيانات COPES (المجتمع المتمركز للدعم مع الأقران) وإطار تقييم ثلاثي المحاور لقياس توافق نماذج اللغة مع وجهات نظر المجتمع حول استفسارات دعم الصحة النفسية.

من خلال تقييم نماذج بدون تدريب سابق (zero-shot) ونماذج مدربة مسبقًا (SFT وDPO)، يظهر النتائج أن التدريب الإضافي على مجموعة بيانات COPES يُحسّن بشكل كبير التوافق الاستراتيجي بنسبة تفوق 50% بالنسبة للنماذج العامة، بالإضافة إلى التوافق في المشاعر والنبرة. ومع ذلك، تظهر النتائج أيضًا أن هذه التحسينات متباينة، حيث تختلف بدرجة كبيرة عبر المجتمعات الفرعية والاستراتيجيات المطلوبة للتعامل مع المشاكل.

علاوة على ذلك، يُحدث التدريب الإضافي تغيرات توزيع تؤدي إلى تفضيل التوصيات المعتمدة على المشكلة بينما تقمع الاستراتيجيات المركزة على العواطف. تُظهر هذه الدراسة أنه رغم أن تنظيم البيانات الموجهة من المجتمع يُحسن توافق إجابات نماذج اللغة، تبقى أداء النماذج متباينًا عبر المجتمعات الفرعية المحددة واحتياجات الصحة النفسية الخاصة.

فتقدم هذه النتائج رؤى قيمة حول كيفية تحسين نماذج الذكاء الاصطناعي لتقديم دعم تعاوني وأكثر توافقًا مع احتياجات المجتمعات المختلفة، مما يمهد الطريق نحو الابتكار في تقديم خدمات الدعم النفسي.