Notice bibliographique
Résumé
Introduction The advent of artificial intelligence (AI) and machine learning has sparked interest in its applicability in the mental health domain, offering potential improvements in the efficiency and personalization of psychiatric services. Objectives To characterize the methodological and technical approaches in studies utilizing machine learning and natural language processing (NLP) within mental health, to evaluate their potential and impact in psychiatric clinical practice, and to address the associated ethical concerns. Methods A systematic review, adhering to the PRISMA guidelines, was conducted across four primary medical databases. Emphasis was placed on studies that applied machine learning and NLP techniques to psychiatric contexts, extracting data from sources such as medical records and social media. Results From 327 identified articles, 58 were considered relevant. Major themes included symptom extraction, illness severity classification, therapy effectiveness comparison, and psychopathological insight derivation. Notably, most studies focused on specific populations like social media users, emergency room attendees, or those within medical databases. Methodological findings showcased a preference for efficient classifiers and Python as the primary platform. Conclusions Machine learning and NLP offer a promising new avenue for psychiatric research and clinical practice, enabling the extraction of previously inaccessible patient information and supporting the decision-making process. However, the field must address inherent limitations, ethical considerations, and ensure that the tools augment, rather than replace, clinical judgment. Disclosure of Interest None Declared
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,033 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».