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: |
| Sumario: | 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. |
|---|