Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje
La Detección Anticipada de Riesgos (DAR) en la Web consiste en identificar usuarios en riesgo tan pronto como sea posible. Aunque los Grandes Modelos de Lenguaje (LLMs) han demostrado resolver eficientemente diversas tareas lingüísticas, es importante evaluar su capacidad de razonamiento en dominios...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2024
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/178364 |
| Aporte de: |
| id |
I19-R120-10915-178364 |
|---|---|
| record_format |
dspace |
| spelling |
I19-R120-10915-1783642025-04-23T20:05:04Z http://sedici.unlp.edu.ar/handle/10915/178364 Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje Thompson, Horacio Sapino, Maximiliano Ferretti, Edgardo Errecalde, Marcelo Luis 2024-10 2024 2025-04-23T16:36:32Z es Ciencias Informáticas Inteligencia artificial grandes modelos de lenguaje interpretabilidad detección anticipada de riesgos Salud mental La Detección Anticipada de Riesgos (DAR) en la Web consiste en identificar usuarios en riesgo tan pronto como sea posible. Aunque los Grandes Modelos de Lenguaje (LLMs) han demostrado resolver eficientemente diversas tareas lingüísticas, es importante evaluar su capacidad de razonamiento en dominios específicos. En este trabajo, proponemos un método para resolver la DAR de depresión utilizando LLMs sobre textos en español, cuyas respuestas puedan ser interpretadas por humanos. Definimos un criterio de razonamiento para analizar usuarios a través de un especialista, aplicamos in-context learning al modelo Gemini, y evaluamos su desempeño de manera cuantitativa y cualitativa. Los resultados muestran que es posible obtener predicciones precisas sustentadas por razonamientos explicativos, permitiendo una comprensión más profunda de la solución. Nuestro enfoque ofrece nuevas perspectivas para abordar los problemas de DAR aprovechando el poder de los LLMs. Red de Universidades con Carreras en Informática Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 72-81 |
| institution |
Universidad Nacional de La Plata |
| institution_str |
I-19 |
| repository_str |
R-120 |
| collection |
SEDICI (UNLP) |
| language |
Español |
| topic |
Ciencias Informáticas Inteligencia artificial grandes modelos de lenguaje interpretabilidad detección anticipada de riesgos Salud mental |
| spellingShingle |
Ciencias Informáticas Inteligencia artificial grandes modelos de lenguaje interpretabilidad detección anticipada de riesgos Salud mental Thompson, Horacio Sapino, Maximiliano Ferretti, Edgardo Errecalde, Marcelo Luis Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje |
| topic_facet |
Ciencias Informáticas Inteligencia artificial grandes modelos de lenguaje interpretabilidad detección anticipada de riesgos Salud mental |
| description |
La Detección Anticipada de Riesgos (DAR) en la Web consiste en identificar usuarios en riesgo tan pronto como sea posible. Aunque los Grandes Modelos de Lenguaje (LLMs) han demostrado resolver eficientemente diversas tareas lingüísticas, es importante evaluar su capacidad de razonamiento en dominios específicos. En este trabajo, proponemos un método para resolver la DAR de depresión utilizando LLMs sobre textos en español, cuyas respuestas puedan ser interpretadas por humanos. Definimos un criterio de razonamiento para analizar usuarios a través de un especialista, aplicamos in-context learning al modelo Gemini, y evaluamos su desempeño de manera cuantitativa y cualitativa. Los resultados muestran que es posible obtener predicciones precisas sustentadas por razonamientos explicativos, permitiendo una comprensión más profunda de la solución. Nuestro enfoque ofrece nuevas perspectivas para abordar los problemas de DAR aprovechando el poder de los LLMs. |
| format |
Objeto de conferencia Objeto de conferencia |
| author |
Thompson, Horacio Sapino, Maximiliano Ferretti, Edgardo Errecalde, Marcelo Luis |
| author_facet |
Thompson, Horacio Sapino, Maximiliano Ferretti, Edgardo Errecalde, Marcelo Luis |
| author_sort |
Thompson, Horacio |
| title |
Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje |
| title_short |
Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje |
| title_full |
Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje |
| title_fullStr |
Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje |
| title_full_unstemmed |
Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje |
| title_sort |
hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje |
| publishDate |
2024 |
| url |
http://sedici.unlp.edu.ar/handle/10915/178364 |
| work_keys_str_mv |
AT thompsonhoracio hacialainterpretabilidaddeladeteccionanticipadaderiesgosdedepresionutilizandograndesmodelosdelenguaje AT sapinomaximiliano hacialainterpretabilidaddeladeteccionanticipadaderiesgosdedepresionutilizandograndesmodelosdelenguaje AT ferrettiedgardo hacialainterpretabilidaddeladeteccionanticipadaderiesgosdedepresionutilizandograndesmodelosdelenguaje AT errecaldemarceloluis hacialainterpretabilidaddeladeteccionanticipadaderiesgosdedepresionutilizandograndesmodelosdelenguaje |
| _version_ |
1845116799968870400 |