محققان در یک دستاورد تازه، فریمورک جدیدی برای تشخیص افسردگی معرفی کردهاند که با ترکیب دادههای صوتی و متنی، دقت تشخیص را به شکل چشمگیری افزایش میدهد. این مدل با استفاده از معماری BiLSTM و مکانیزمهای توجه (Attention)، موفق شده چالش تفاوتهای فردی در نحوه صحبت کردن بیماران را تا حد زیادی برطرف کند.
نکته کلیدی این تحقیق، استفاده از «یادگیری تقابلی» (Domain-Adversarial Training) است که باعث میشود مدل به جای تمرکز بر ویژگیهای فردی خاص، الگوهای کلی مرتبط با افسردگی را یاد بگیرد. این مدل جدید با دستیابی به دقت بیش از ۹۳ درصد، گام مهمی در تشخیص خودکار و مبتنی بر شواهد در سلامت روان محسوب میشود.
منبع: arXiv Machine Learning