Valodas modeļu pielietojumi depresijas atpazīšanā un ārstēšanā

Abstract

Bakalaura darbs pēta lielo valodas modeļu (LLM) potenciālu depresijas pazīmju atpazīšanā un drošas atbalsta sistēmas izveidē. Darba mērķis ir izstrādāt un novērtēt lokāli darbināmu LLM sistēmu, kas spētu efektīvi atšķirt depresiju no pašnāvnieciskām domām, nodrošinātu drošu sākotnējo atbalstu un ievērotu privātuma prasības garīgās veselības datos. Teorētiskajā daļā analizēti depresijas diagnostikas principi un LLM izmantošanas iespējas garīgās veselības kontekstā. Praktiskajā daļā implementēts lokāli darbināms valodas modelis, izstrādāta drošības sistēma bīstamu situāciju atpazīšanai un veikta sistemātiska testēšana ar dažādiem depresijas scenārijiem. Darba rezultātā izstrādāti ieteikumi lokāli darbināmu LLM sistēmu pilnveidošanai depresijas atpazīšanā, identificēti galvenie drošības riski un ierobežojumi.

The bachelor's thesis explores the potential of large language models (LLMs) in recognizing signs of depression and creating a safe support system. The aim of the work is to develop and evaluate a locally-operated LLM system that would be able to effectively distinguish depression from suicidal thoughts, provide safe initial support, and comply with privacy requirements for mental health data. The theoretical part analyzes principles of depression diagnostics and the possibilities of using LLMs in the context of mental health. The practical part implements a locally-operated language model, develops a safety system for recognizing dangerous situations, and conducts systematic testing with various depression scenarios. As a result of the work, recommendations were developed for improving locally-operated LLM systems in depression recognition, and key safety risks and limitations were identified.