Quantifier les différences interindividuelles dans l'expérience subjective avec l’intelligence artificielle pour la prédiction des symptômes psychiatriques
Bibliographic record
Abstract
La façon dont les individus perçoivent subjectivement le monde influence grandement leur propre bien-être mental. Cependant, caractériser avec précision la richesse de telles expériences demeure un défi considérable. Un problème persistant est notamment le manque d’outils objectifs permettant de quantifier et de comparer directement les rapports narratifs d’expériences subjectives. Ici, nous développons une nouvelle approche pour cartographier et comparer les rapports verbaux d'expériences subjectives en utilisant les réseaux de neurones artificiels (RNA). À l'aide d'une série de 31 stimuli, dont 30 images et 1 question ouverte, nous avons quantifié comment les rapports d'expériences fournis par les participants (n = 210, 50 % de femmes) divergent les uns des autres et comment ces variations sont liées à l'expérience subjective et la santé mentale. Nous avons constaté que les projections des rapports de l'expérience extraites des RNA peuvent prédire avec précision la valence subjective et les jugements d'excitation dans une série d'images émotionnelles. De plus, nous montrons que des facteurs transdiagnostiques de la santé mentale peuvent être prédits avec précision à l’aide de rapports narratifs projetés d’une série d’images ambiguës. Bien que le fonctionnement exact des RNA soient notoirement difficiles à interpréter, nous proposons une nouvelle approche pour synthétiser des stimuli visuels avec l’intelligence artificielle générative qui peut être utilisée pour explorer les distorsions sémantiques dans les expériences rapportées. En résumé, la cartographie spatiale latente de l’expérience subjective pourrait offrir une voie prometteuse pour quantifier objectivement les distorsions de l’expérience subjective en santé mentale et pourrait aider à identifier de nouvelles cibles thérapeutiques pour les interventions cliniques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".