Ученые представили модель искусственного интеллекта FbGNN, которая анализирует посты в соцсетях для ранней диагностики ментальных нарушений. Точность системы в ходе испытаний приблизилась к 99%, что позволяет рассматривать ее как перспективный инструмент для массового скрининга.
Ученые предложили новый метод диагностики психических расстройств, основанный на анализе цифрового поведения человека с помощью искусственного интеллекта. Проблемы ментального здоровья, такие как депрессия, тревожность и стресс, остаются одними из самых распространенных в мире, значительно снижая качество жизни миллионов людей. Традиционные методы диагностики, опирающиеся на опросы и личные беседы с врачом, часто сталкиваются с трудностями: пациенты могут не помнить всех деталей, испытывать неловкость или просто не иметь своевременного доступа к специалисту.
В исследовании описывается система на базе искусственного интеллекта, способная выявлять ранние признаки психических нарушений по текстам, которые люди оставляют в интернете. Модель, получившая название FbGNN (графовая нейронная сеть на основе Fossa), анализирует сообщения в социальных сетях и на форумах. Вместо анкет она изучает языковые паттерны: эмоциональную окраску текста, тональность, специфический выбор слов и поведенческие сигналы, содержащиеся в письменной речи.
Метод работы системы сочетает два вычислительных подхода. Первый — оптимизация Fossa, алгоритм, имитирующий природные стратегии поиска. Он помогает отсеивать лишнюю информацию, выделяя из массива данных только те слова и фразы, которые действительно могут указывать на проблемы с психикой. Второй компонент — графовая нейронная сеть, которая видит связи между этими признаками, представляя их в виде сложной сети. Это позволяет ИИ замечать устойчивые комбинации эмоциональных маркеров, характерные для различных состояний.
В ходе эксперимента систему обучили классифицировать тексты по нескольким категориям: депрессия, тревога, стресс, биполярное расстройство, суицидальные мысли и расстройства личности. При проверке на известных наборах данных точность прогноза достигла почти 99 %.
Авторы исследования полагают, что такой инструмент может быть полезен для первичного скрининга в больших группах людей, например, среди студентов или сотрудников предприятий. Это позволит своевременно выявлять лиц из группы риска и направлять их к специалистам для более детальной диагностики.