في عصر الذكاء الاصطناعي والنماذج اللغوية الضخمة (Large Language Models)، يظهر الأمل في معالجة تحديات الصحة النفسية العالمية كأحد أبرز الأولويات. رغم الطبيعة الشاملة لهذه القضايا، لا يزال هناك نقص حاد في مجموعات البيانات عالية الجودة التي تتيح التدريب والتقييم الفعال لهذه الأنظمة.

لملء هذه الفجوة، يزداد اعتماد الباحثين على إنشاء شخصيات سريرية اصطناعية لمحاكاة البيانات وتقييم أنظمة الدعم النفسي الرقمي. لكن معظم الشخصيات التي تم التحقق منها تعتمد على سياقات تركز على اللغة الإنجليزية.

في دراسة جديدة، تم تعديل معلمات الجنسية واللغة في الشخصيات لإنشاء حوارات سريرية بلغات مثل الماندارين، البنغالية والهندية. وقد أظهرت النتائج أن مجرد إضافة عناصر الجنسية واللغة قد لا تكون كافية، حيث يمكن أن يؤدي ذلك إلى عدم اتساق سريري عبر اللغات.

تظهر نماذج LLM غالبًا عدم الدقة في تقييم شدة الاكتئاب في نصوص غير إنجليزية، مع تباين في الأداء بين النماذج المختلفة. تكشف هذه النتائج عن القيود النظامية المرتبطة بتطبيق شخصيات تركز على اللغة الإنجليزية في سياقات متعددة اللغات.

في نهاية المطاف، تبرز هذه الدراسة الحاجة الملحة لتوليد بيانات استجابة ثقافياً لضمان أنظمة صحة نفسية عادلة على مستوى العالم. فهل حان الوقت لتعديل الطريقة التي ننظر بها إلى البيانات الصحية النفسية؟ ما هي أفكاركم في هذا السياق؟ شاركونا في التعليقات.