في عالم يتزايد فيه الاهتمام بالصحة النفسية، تبرز مشاكل جودة التصنيف في نظم الذكاء الاصطناعي القابلة للتفسير (Explainable AI - XAI) كعائق رئيسي في تطوير أدوات فعالة. عانت البيانات المتعلقة بالاكتئاب بشكل خاص، حيث يتم إسناد التسميات غالبًا دون دليل هيكلي أو تبرير مستند إلى الأعراض أو توافق واضح مع معايير النسخة الخامسة من الدليل التشخيصي والإحصائي للاضطرابات النفسية (DSM-5-TR).

تقديم إطار جديد تمتاز به استجابة ذاتية، والذي يدمج بين تصنيف مدعوم بنموذج لغوي كبير (Large Language Model - LLM) والتحقق من الخبراء، يمثّل خطوة هامة نحو تحسين جودة البيانات وتعزيز الشفافية. يتكون هذا الإطار من ثلاث مراحل رئيسية:
1. **اختيار الأدلة**: تحليل السجلات النصية لاستخراج الأدلة المحتملة.
2. **تحليل المعايير**: إجراء تحليل قائم على معايير DSM-5-TR.
3. **تركيب الحالات**: إنتاج تسميات تشخيصية وتجريبية على مستوى الأعراض.

اعتمد الإطار على بنية ذاكرة مزدوجة تضم **ذاكرة المثال** و**ذاكرة التأمل**، لتخزين ملاحظات الخبراء وتحسين التصنيفات المستقبلية بشكل تكراري دون الحاجة لإعادة تدريب. في دراسة تجريبية، تم التحقق من تحسين ثبات التوصيف وقابلية التفسير، مع تقليل الجهد اليدوي للتعديل.

هذا التقدم يفتح آفاقاً جديدة في فهم وعلاج الاكتئاب، ويعزز الأداء العلمي في الأبحاث المتعلقة بالصحة النفسية. هل تعتقد أن هذا الإطار يمكن أن يحدث ثورة في طرق تشخيص الاكتئاب وعلاجه؟ شاركونا آراءكم في التعليقات.