कृत्रिम बुद्धिमत्ता अनौपचारिक सोशल मीडिया पोस्ट से मानसिक स्वास्थ्य स्थितियों की बेहतर पहचान और मूल्यांकन कैसे कर सकती है?

InfoPsych-MoE: An Information-Theoretic Case-Based Reasoning Mixture-of-Experts Framework for Mental Health Detection

chuang yao, Zhijun Yan, Shaoze Cui · International Conference on Information Systems (ICIS) · 2026

13 बार देखा गया

Spotify का प्लेयर लोड करता है; Spotify कुकीज़ सेट कर सकता है। यह डिवाइस आपकी पसंद याद रखता है।

मुख्य निष्कर्ष

InfoPsych-MoE ने मानक मशीन लर्निंग और भाषा मॉडल बेसलाइन की तुलना में बाइनरी डिप्रेशन पहचान (0.8897 सटीकता, 0.8956 F1), मल्टी-क्लास स्थिति निदान और गंभीरता ग्रेडिंग में काफी उच्च सटीकता और F1 स्कोर हासिल किया (सभी तुलनाओं में p < 0.05 या उससे कम)।
तर्क पैटर्नों का पुन: उपयोग और पुनरावृत्ति से संशोधन करना महत्वपूर्ण था, क्योंकि इन चरणों को हटाने से बाइनरी पहचान F1 स्कोर 0.8956 से घटकर 0.8194 रह गया।
गतिशील विशेषज्ञ रूटिंग ने विभिन्न कार्यों में अलग-अलग विश्लेषणात्मक आवश्यकताओं का खुलासा किया, जिसमें डिप्रेशन स्क्रीनिंग (89%) और गंभीरता ग्रेडिंग (92%) के लिए प्रासंगिक विशेषज्ञों को सबसे अधिक सक्रिय किया गया, जबकि मल्टी-क्लास स्थिति वर्गीकरण (72%) के लिए भावना विशेषज्ञों को सबसे अधिक सक्रिय किया गया।
AI फीडबैक से रीइन्फोर्समेंट लर्निंग के माध्यम से वरीयता अनुकूलन ने पूरक प्रदर्शन लाभ प्रदान किए, जबकि उपयोगिता मूल्यांकन तंत्र को हटाने से प्रदर्शन में भारी गिरावट आई।

आपके लिए इसका क्या अर्थ है

CIO / आईटी एक्ज़ीक्यूटिव

Allocate infrastructure budget to pilot a Mixture-of-Experts (MoE) architecture with dynamic utility-based routing, prioritizing it over static LLM deployments for text classification pipelines.

आईटी प्रबंधक

Audit current AI model evaluation scripts to ensure they test for modular reasoning reuse and dynamic expert activation, rather than relying solely on monolithic baseline accuracy.

बिज़नेस रणनीतिकार

Draft a product roadmap to integrate adaptive case-based reasoning modules into high-stakes triage or screening products, leveraging the proven accuracy gains in informal text analysis.

शोधकर्ता

Design an ablation experiment to test the impact of removing iterative reasoning revision versus case retrieval on your model's F1 score using your benchmark dataset.

नीति निर्माता

Draft procurement guidelines requiring AI vendors serving public health or mental health screening initiatives to disclose their dynamic routing mechanisms and case-reuse validation metrics.

सारांश

यह अध्ययन InfoPsych-MoE विकसित करता है, जो एक ऐसा ढांचा है जो भाषा मॉडलों को मानसिक स्वास्थ्य मूल्यांकन के लिए विशिष्ट नैदानिक तर्क दृष्टिकोणों को आत्मसात और समन्वित करने में सक्षम बनाता है। यह प्रणाली पूर्व मामलों से हस्तांतरणीय तर्क पैटर्न निकालती है और सूचना-सैद्धांतिक उपयोगिता माप का उपयोग करके विशिष्ट डोमेन विशेषज्ञों को गतिशील रूप से सक्रिय करती है। शोधकर्ता तीन सोशल मीडिया बेंचमार्क पर इस ढांचे का परीक्षण करते हैं: बाइनरी डिप्रेशन स्क्रीनिंग, मल्टी-क्लास स्थिति वर्गीकरण और गंभीरता ग्रेडिंग।

समस्या

मानसिक स्वास्थ्य स्थितियां विश्व स्तर पर एक अरब से अधिक लोगों को प्रभावित करती हैं, लेकिन स्वास्थ्य सेवा के बुनियादी ढांचे में भारी कमी के कारण अधिकांश व्यक्ति औपचारिक देखभाल से वंचित रह जाते हैं। हालांकि सोशल मीडिया प्रारंभिक जांच के अवसर प्रदान करता है, लेकिन ऑनलाइन मनोवैज्ञानिक संकेत अत्यधिक अनौपचारिक, अप्रत्यक्ष और खंडित होते हैं। मौजूदा कृत्रिम बुद्धिमत्ता दृष्टिकोण इन संकेतों की विश्वसनीयता से व्याख्या करने में कठिनाई महसूस करते हैं क्योंकि वे अनुकूलनीय, संदर्भ-संवेदनशील तर्क के बजाय स्थिर ज्ञानकोषों पर निर्भर करते हैं।

ट्रांसक्रिप्ट

Host: नमस्कार और "A.I.S. Insights — powered by Living Knowledge" में आपका स्वागत है। मैं आपकी होस्ट, Anna Ivy Summers हूँ। आज हम एक नए अध्ययन पर चर्चा कर रहे हैं, जिसका शीर्षक है "InfoPsych-MoE: मानसिक स्वास्थ्य पहचान के लिए एक सूचना-सैद्धांतिक केस-आधारित रीजनिंग मिक्सचर-ऑफ-एक्सपर्ट्स फ्रेमवर्क"। यह अध्ययन शोधकर्ता chuang yao, Zhijun Yan और Shaoze Cui द्वारा तैयार किया गया है और इसे International Conference on Information Systems (ICIS), 2026 में प्रस्तुत किया गया है। यह अध्ययन एक ऐसा ढांचा प्रस्तुत करता है जो भाषा मॉडलों को मानसिक स्वास्थ्य मूल्यांकन के लिए विशिष्ट नैदानिक तर्क दृष्टिकोणों को आत्मसात और समन्वित करने में सक्षम बनाता है। मेरे साथ इस विषय पर बात करने के लिए हमारे विश्लेषक Alex Ian Sutherland मौजूद हैं। स्वागत है, Alex।
Expert: धन्यवाद, Anna।
Host: Alex, आइए पहले इस समस्या के वास्तविक संदर्भ को समझें। यह अध्ययन किस मुख्य समस्या का समाधान प्रस्तुत करता है?
Expert: Anna, मानसिक स्वास्थ्य स्थितियां विश्व स्तर पर एक अरब से अधिक लोगों को प्रभावित करती हैं। हालांकि, स्वास्थ्य सेवा के बुनियादी ढांचे में पर्याप्त संसाधनों की कमी के कारण अधिकांश लोगों को समय पर औपचारिक देखभाल नहीं मिल पाती। सोशल मीडिया और डिजिटल प्लेटफॉर्म प्रारंभिक जांच के अवसर प्रदान करते हैं, लेकिन ऑनलाइन व्यक्त किए गए मनोवैज्ञानिक संकेत अत्यधिक अनौपचारिक, अप्रत्यक्ष और खंडित होते हैं। पारंपरिक कृत्रिम बुद्धिमत्ता प्रणालियाँ इन संकेतों की व्याख्या करने में सीमित प्रभावशीलता दिखाती हैं, क्योंकि वे अनुकूलनीय तर्क के बजाय स्थिर ज्ञानकोषों पर निर्भर करती हैं।
Host: इस अध्ययन में शोधकर्ताओं ने इस समस्या को हल करने के लिए कौन सा दृष्टिकोण अपनाया है?
Expert: शोधकर्ताओं ने InfoPsych-MoE नामक प्रणाली विकसित की है। यह दृष्टिकोण केस-आधारित रीजनिंग और मिक्सचर-ऑफ-एक्सपर्ट्स संरचना को सूचना-सैद्धांतिक उपयोगिता माप के साथ संयोजित करता है। सरल शब्दों में, यह प्रणाली पूर्व मामलों से हस्तांतरणीय तर्क पैटर्न निकालती है और उनका पुन: उपयोग करती है। साथ ही, यह प्रत्येक विशिष्ट स्थिति के लिए सबसे उपयुक्त डोमेन विशेषज्ञों को गतिशील रूप से सक्रिय करती है—उदाहरण के लिए, संदर्भ विशेषज्ञ या भावना विशेषज्ञ।
Host: इस अध्ययन के मुख्य परिणाम क्या रहे? क्या डेटाबेस परीक्षणों में सांख्यिकीय रूप से महत्वपूर्ण सुधार देखा गया?
Expert: जी हाँ। शोधकर्ताओं ने तीन सोशल मीडिया बेंचमार्क पर इस ढांचे का परीक्षण किया: बाइनरी डिप्रेशन पहचान, मल्टी-क्लास स्थिति वर्गीकरण और गंभीरता ग्रेडिंग। बाइनरी डिप्रेशन पहचान में, InfoPsych-MoE ने 0.8897 सटीकता और 0.8956 F1 स्कोर प्राप्त किया, जो बेसलाइन मॉडलों की तुलना में सांख्यिकीय रूप से महत्वपूर्ण रूप से अधिक था, जहाँ सभी तुलनाओं में p-मान 0.05 से कम था। अध्ययन में यह भी पाया गया कि तर्क पैटर्नों का पुन: उपयोग और संशोधन अनिवार्य था; जब इन चरणों को हटाया गया, तो बाइनरी पहचान का F1 स्कोर 0.8956 से घटकर 0.8194 रह गया।
Host: और विशेषज्ञ रूटिंग के संबंध में क्या आंकड़े सामने आए?
Expert: गतिशील विशेषज्ञ रूटिंग ने विभिन्न कार्यों में अलग-अलग विश्लेषणात्मक आवश्यकताओं को उजागर किया। डिप्रेशन स्क्रीनिंग में 89 प्रतिशत और गंभीरता ग्रेडिंग में 92 प्रतिशत मामलों में संदर्भ विशेषज्ञों को सबसे अधिक सक्रिय किया गया। इसके विपरीत, मल्टी-क्लास स्थिति वर्गीकरण में 72 प्रतिशत मामलों में भावना विशेषज्ञों को सक्रिय किया गया। इसके अतिरिक्त, एआई फीडबैक से रीइन्फोर्समेंट लर्निंग के माध्यम से वरीयता अनुकूलन ने प्रदर्शन को बेहतर किया, जबकि उपयोगिता मूल्यांकन तंत्र को हटाने से परिणामों में गिरावट दर्ज की गई।
Host: व्यावसायिक और व्यावहारिक संदर्भ में इन निष्कर्षों का क्या महत्व है? कंपनियां और स्वास्थ्य सेवा संगठन इसे कैसे लागू कर सकते हैं?
Expert: व्यावसायिक दृष्टिकोण से इसके तीन मुख्य अनुप्रयोग हैं। पहला, डिजिटल स्वास्थ्य प्रदाता और कार्यस्थल कल्याण कार्यक्रम इसका उपयोग बड़े पैमाने पर प्रारंभिक जांच और ट्राइएज के लिए कर सकते हैं, जिससे मानव परामर्शदाताओं का कार्यभार संतुलित हो सके। दूसरा, चूंकि यह प्रणाली पूर्व मामलों से सीखती है और अपने तर्क को स्पष्ट करती है, यह नैदानिक निर्णय-समर्थन प्रणालियों में अधिक जवाबदेही और विश्वसनीयता प्रदान कर सकती है। तीसरा, ग्राहक सेवा और ऑनलाइन कम्युनिटी प्लेटफॉर्म्स पर गंभीर मानसिक संकट या अत्यधिक तनाव के संकेतों की अधिक सटीक पहचान कर समय पर उपयुक्त संसाधन या सहायता प्रदान की जा सकती है।
Host: यानी यह अध्ययन संगठनों को अनौपचारिक डिजिटल डेटा से संरचित और संदर्भ-संवेदनशील अंतर्दृष्टि प्राप्त करने का एक व्यावहारिक मार्ग दिखाता है।
Expert: बिल्कुल, यह जटिल और असंरचित डेटा के विश्लेषण में निर्णय लेने की प्रक्रिया को अधिक व्यवस्थित बनाता है।
Host: Alex, इस अध्ययन के निष्कर्षों और इसके व्यावहारिक उपयोगों को स्पष्ट करने के लिए धन्यवाद। और हमारे सभी श्रोताओं को सुनने के लिए धन्यवाद। मिलते हैं "A.I.S. Insights — powered by Living Knowledge" के अगले अंक में।

Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

AIS eLibrary में शोध पत्र पढ़ें

mental health detection, large language models, mixture-of-experts, case-based reasoning, social media analytics, clinical decision support