Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje

Autores
Thompson, Horacio; Sapino, Maximiliano; Ferretti, Edgardo; Errecalde, Marcelo Luis
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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
Materia
Ciencias Informáticas
Inteligencia artificial
grandes modelos de lenguaje
interpretabilidad
detección anticipada de riesgos
Salud mental
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/178364
Acceder
id SEDICI_9a93c86ac7ab982b6361ea4203f6d2d4
oai_identifier_str oai:sedici.unlp.edu.ar:10915/178364
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguajeThompson, HoracioSapino, MaximilianoFerretti, EdgardoErrecalde, Marcelo LuisCiencias InformáticasInteligencia artificialgrandes modelos de lenguajeinterpretabilidaddetección anticipada de riesgosSalud mentalLa 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 Informática2024-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf72-81http://sedici.unlp.edu.ar/handle/10915/178364spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-34-2428-5info:eu-repo/semantics/reference/hdl/10915/172755info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:19:19Zoai:sedici.unlp.edu.ar:10915/178364Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:19:20.072SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje
title Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje
spellingShingle Hacia la interpretabilidad de la detección anticipada de riesgos de depresión utilizando grandes modelos de lenguaje
Thompson, Horacio
Ciencias Informáticas
Inteligencia artificial
grandes modelos de lenguaje
interpretabilidad
detección anticipada de riesgos
Salud mental
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
dc.creator.none.fl_str_mv Thompson, Horacio
Sapino, Maximiliano
Ferretti, Edgardo
Errecalde, Marcelo Luis
author Thompson, Horacio
author_facet Thompson, Horacio
Sapino, Maximiliano
Ferretti, Edgardo
Errecalde, Marcelo Luis
author_role author
author2 Sapino, Maximiliano
Ferretti, Edgardo
Errecalde, Marcelo Luis
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Inteligencia artificial
grandes modelos de lenguaje
interpretabilidad
detección anticipada de riesgos
Salud mental
topic Ciencias Informáticas
Inteligencia artificial
grandes modelos de lenguaje
interpretabilidad
detección anticipada de riesgos
Salud mental
dc.description.none.fl_txt_mv 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
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.
publishDate 2024
dc.date.none.fl_str_mv 2024-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/178364
url http://sedici.unlp.edu.ar/handle/10915/178364
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-34-2428-5
info:eu-repo/semantics/reference/hdl/10915/172755
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
72-81
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260698420215808
score 13.13397

Publicaciones similares