Using LLMs to Analyze Antecedent, Behavior and Consequence Narrative Recordings in Behavioral Health Science
Notice bibliographique
Résumé
The Antecedent, Behavior, and Consequence narrative recordings is a recognized approach for data collection and analysis in conducting a Functional Behavior Assessment. Currently, this method relies on a manual process that necessitates detailed descriptive analyses of the behavior in question, which must be performed by certified professionals, such as Board Certified Behavior Analysts (BCBAs). Only 4.7% of Board Certified Behavior Analysts (BCBAs) reside outside US and Canada making it difficult to conduct a Functional Behavior Assessment outside these two countries. Within the US, systemic challenges, including insufficient funding within public education and operational inefficiencies, have contributed to significant delays in executing Functional Behavior Assessments with wait times often extending for several months. This paper proposes the utilization of Chain of Thought prompting with Large Language Models to analyze data derived from Antecedent, Behavior, and Consequence narrative recordings. Through our proposed approach, we achieve an 78% accuracy in identifying antecedent labels and 70% accuracy for consequence labels from narrative recordings, demonstrating that this method produces scalable and accurate results. To ensure the generalizability of our approach, especially in scenarios with limited data, we employed data augmentation techniques and Leave One Out Cross Validation (LOOCV). Our model significantly outperformed traditional machine learning algorithms like Support Vector Machines and Random Forest, demonstrating its robustness and potential for real-world applications. By reducing operational inefficiencies, this approach can significantly improve the accessibility of behavioral healthcare for traditionally marginalized populations such as low-income, rural, minority, and other disadvantaged communities across the world. Furthermore, we aim to position this paper as a catalyst for advancing the use of Large Language Models and Natural Language Processing in the field of behavioral health, paving the way for further research and development.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».