Des chercheurs du Vector Institute et de Jeunesse, J'écoute (JJE) ont co-créé le modèle FAIIR (Assistant Frontline : Identification et Recommandation des problèmes). Ce modèle identifie et catégorise automatiquement les principaux problèmes abordés lors des conversations de soutien en situation de crise avec les jeunes, améliorant ainsi la prestation de soins centrés sur la personne par le personnel de première ligne de JJE. Leurs travaux ont récemment fait l'objet d'un article dans la revue npj Digital Medicine.
En bref : Découvrez des recherches révolutionnaires en IA en 3 minutes
Ce résumé concis permet de vulgariser les avancées scientifiques complexes. Parfait pour les passionnés comme pour les non-spécialistes, écoutez-le dès maintenant !
La crise mondiale de la santé mentale chez les jeunes représente un défi urgent : un jeune sur sept âgé de 10 à 19 ans souffre de troubles de santé mentale. Au Canada, le suicide est la deuxième cause de décès chez les jeunes et les jeunes adultes (15 à 34 ans). À l'âge de 25 ans, un jeune sur cinq au Canada aura des problèmes de santé mentale. Malgré la fréquence de ces difficultés, trouver l'aide appropriée peut s'avérer extrêmement complexe.
Depuis le début de 2020, Jeunesse, J’écoute a enregistré plus de 22 millions d’interactions (22 124 522) avec des usagers partout au Canada. Ce besoin croissant est devenu particulièrement criant pendant la pandémie de COVID-19, lorsque Jeunesse, J’écoute, le principal organisme canadien de santé mentale en ligne pour les jeunes, a constaté une augmentation de 51 % de la demande pour ses services de soutien par texto. Cette forte augmentation de la demande souligne la nécessité d’élargir et de soutenir l’équipe d’intervenants en situation de crise, qui peuvent être confrontés à une charge cognitive importante lors de ces conversations, devant gérer des personnes en détresse émotionnelle dans des situations potentiellement critiques.
La complexité de ces conversations, conjuguée à la nécessité d'une documentation précise après chaque échange et à l'identification des problèmes, a mis en évidence le besoin de solutions innovantes. En collaboration avec KHP, les chercheurs du Vector Institute ont identifié une occasion d'exploiter des techniques d'IA avancées pour faciliter les échanges relationnels tout en préservant la qualité et l'empathie de chaque interaction humaine.
innovation technique
Architecture du modèle
FAIIR utilise un ensemble de trois modèles Longformer, sélectionnés pour leur capacité à traiter des conversations de soutien en situation de crise de longue durée. Le modèle exploite l'adaptation au domaine grâce à un préentraînement spécialisé utilisant la modélisation du langage masqué sur des conversations relatives à la santé mentale. Cette architecture permet :
- Traitement des conversations jusqu'à 2 000 jetons (soit 94,4 % des interactions). Dans ce contexte, les jetons désignent des unités de texte discrètes représentant généralement des mots, des sous-mots, des caractères ou des signes de ponctuation, obtenus après le découpage d'une séquence de texte en éléments pouvant être traités par un modèle. À titre indicatif, un jeton correspond en moyenne aux trois quarts d'un mot en anglais.
- Classification multiétiquettes portant sur 19 problèmes de santé mentale prédéfinis et capacité à identifier des mots-clés supplémentaires dans les conversations.
- Gestion efficace des dialogues complexes à plusieurs tours
Performances et validation
L'architecture la plus performante affiche des performances exceptionnelles sur l'ensemble des indicateurs clés :
| Métrique | Description | Performance |
|---|---|---|
| AUC moyenne ROC | Capacité moyenne du modèle à distinguer les étiquettes de problèmes dans toutes les catégories | 94% |
| Score moyen de rappel | Proportion moyenne d'étiquettes de problèmes pertinents identifiées comme pertinentes | 81% |
| Score moyen F1 | Moyenne de la mesure combinée de la précision (proportion d'étiquettes de problème correctes parmi toutes les étiquettes de problème jugées pertinentes) et du rappel | 64% |
| Test silencieux | Baisse des performances entre le développement initial du modèle et les tests silencieux, indiquant la généralisabilité du modèle dans le monde réel | <2% |
Il convient de souligner tout particulièrement la performance de FAIIR sur les questions critiques de santé mentale :
| Problèmes de catégorie | Pointage F1 |
|---|---|
| Dépression | 0.75 |
| Suicide | 0.73 |
| L'automutilation | 0.69 |
| Anxiété/Stress | 0.69 |
Méthodologie
Réponse accrue aux crises
FAIIR a le potentiel d'améliorer considérablement les interventions de crise en réduisant la charge cognitive des intervenants grâce à l'identification automatisée des problèmes. Le modèle atteint un taux de concordance de 90,9 % avec les prédictions des intervenants lors de la phase de test préliminaire, tout en simplifiant la documentation post-entrevue, permettant ainsi des réponses plus efficaces et précises aux crises de santé mentale chez les jeunes.
Équité démographique
Un aspect crucial du succès de FAIIR réside dans ses performances constantes au sein de différents groupes démographiques, avec des variations minimales du score F1 selon le sexe (±0,023), l'orientation sexuelle (±0,010), l'identité culturelle (±0,018) et l'origine ethnique (±0,024). Cette constance garantit un soutien équitable aux jeunes de diverses populations qui demandent de l'aide.
Défis et solutions techniques
Solutions pour les déséquilibres de données
L'équipe de développement de FAIIR a dû relever d'importants défis liés au déséquilibre des données, certains problèmes étant apparus dans plus de 244 000 conversations tandis que d'autres n'ont été observés que dans 2 800 d'entre elles. Grâce à des techniques d'échantillonnage équilibrées, à l'optimisation des seuils et à des fonctions de perte personnalisées, FAIIR maintient des performances robustes pour les catégories de problèmes courants et rares.
Traitement des longues conversations
Le modèle gère efficacement les conversations de crise prolongées grâce à une préformation spécialisée et un traitement par lots optimisé, maintenant ainsi des performances élevées tout en gérant la complexité des discussions émotionnelles et multi-enjeux.
orientations futures
L'équipe de recherche envisage plusieurs initiatives clés pour faire progresser les capacités de FAIIR :
- Intégration de FAIIR dans les flux de travail de première ligne
- Intégration de modèles de langage génératifs pour une meilleure compréhension du contexte
- Développement d'une prédiction dynamique des étiquettes de problèmes pour les tendances émergentes en matière de santé mentale des jeunes
- Extraction améliorée des mots-clés naturels pour une meilleure reconnaissance des formes
- Exploration des stratégies d'intégration de données multimodales et d'intervention en temps réel
Conclusion
FAIIR représente une avancée majeure dans le domaine du soutien en santé mentale assisté par l'IA, démontrant comment la recherche de pointe en IA peut répondre à des enjeux sociétaux cruciaux. Cette collaboration entre l'Institut Vector et KHP explore comment l'IA peut soutenir les conseillers communautaires dans leur mission essentielle auprès des jeunes Canadiens lorsqu'ils en ont le plus besoin.
Créé par l'IA, édité par des humains, à propos de l'IA
Cet article fait partie de notre série « ANDERS – Explication des avancées majeures de l'IA et vulgarisation de la recherche ». Nous utilisons des agents d'IA pour générer des brouillons à partir d'articles scientifiques, qui sont ensuite soigneusement édités et peaufinés par nos équipes. Notre objectif est de vous proposer des explications claires et concises des recherches de pointe menées par les chercheurs de Vector. Grâce à ANDERS, nous nous efforçons de rendre accessibles les avancées scientifiques complexes au grand public, en soulignant leur importance et leur impact sur notre monde.
