LLM kan förutsäga psykologiskt välbefinnande från tal
En ny studie visar att stora språkmodeller (LLM) kan förutsäga psykologiskt välbefinnande från spontant tal med upp till 0.8 i korrelation.
Vad har hänt
Forskare har undersökt stora språkmodellers förmåga att förutsäga Ryff Psychological Well-Being (PWB) poäng från spontant tal. Studien använde röstinspelningar från 111 deltagare i PsyVoiD-databasen, varvid flera instruktions-tränade LLM testades, inklusive varianter av Llama-3, Mistral och Gemma-2-9B. En domänspecifik prompt utvecklades i samarbete med experter inom klinisk psykologi och lingvistik för att optimera analysen.
Snabbfakta
| Publikationsdatum | 2026-05-11 |
|---|---|
| Antal deltagare | 111 |
| Högsta korrelation | 0.8 (Spearman) |
| Databas | PsyVoiD |
| Antal testade LLM | 12 |
”We investigate the use of Large Language Models (LLMs) for zero-shot prediction of Ryff Psychological Well-Being (PWB) scores from spontaneous speech.”
”Results show that LLMs can extract semantically meaningful cues from spontaneous speech, achieving Spearman correlations of up to 0.8 on 80% of the data.”
Varför det spelar roll
Denna forskning indikerar en teknisk potential för tidig upptäckt av förändringar i mentalt välbefinnande, baserat på talanalys via LLM. Möjligheten att extrahera semantiskt meningsfulla signaler från tal kan erbjuda nya verktyg för att komplettera traditionella bedömningsmetoder. Resultaten visar att LLM kan fungera som en metod för att upptäcka mönster i språket som korrelerar med psykologiskt välbefinnande.
Vem påverkas
Forskare inom psykologi och lingvistik påverkas, då studien presenterar nya metoder för att analysera tal och förutsäga mentalt välbefinnande. Utvecklare av AI-modeller kan dra nytta av insikterna om vilka LLM som presterar bäst för denna typ av uppgift. Även framtida applikationsutvecklare inom digital hälsa kan påverkas, förutsatt att teknikens tillförlitlighet och etiska aspekter vidareutvecklas.
EU-status
Ej relevant för EU-status.
Mer att veta
Studien inkluderade analyser för att karakterisera prediktionsvariation och systematiska snedvridningar, samt nyckelordsanalyser för att belysa vilka språkliga drag som driver modellernas prediktioner. Detta bidrar till en ökad förståelse för hur LLM fattar sina beslut i denna kontext.
Snabba svar om den här nyheten
Vad har hänt?
När hände det?
Varför spelar det roll?
Vilka LLM testades?
Länken öppnar i nytt fönster och leder till utgivarens egen sida.
Källan har spårats automatiskt från utgivaren via Aheadlines signalkedja.