27 mai 2025
Des chercheurs du Vector Institute et de Kids Help Phone (KHP) ont co-créé le modèle Frontline Assistant : Issue Identification and Recommendation (FAIIR). Ce modèle identifie et catégorise automatiquement les enjeux clés abordés lors des conversations de soutien en situation de crise avec les jeunes, améliorant ainsi la prestation de soins centrés sur l’humain par le personnel de première ligne du KHP. Leur travail a récemment été publié dans un article dans la revue npj Digital Medicine.
Ce résumé concis fait le pont entre les avancées scientifiques complexes et la compréhension quotidienne. Idéal pour les passionnés et les non-chercheurs, commencez à écouter dès maintenant.
La crise mondiale de la santé mentale des jeunes représente un défi urgent : un jeune sur sept, âgé de 10 à 19 ans, fait face à des défis en santé mentale. Le suicide est la deuxième cause principale de décès chez les jeunes et les jeunes adultes (15 à 34 ans) au Canada. Lorsque les jeunes au Canada atteignent l’âge de 25 ans, un sur cinq fera face à des difficultés de santé mentale. Malgré la fréquence de ces défis, trouver la bonne aide peut donner l’impression de naviguer dans un labyrinthe.
Depuis le début de 2020, Kids Help Phone a eu plus de 22 millions d’interactions (22 124 522) avec des utilisateurs de services à travers le Canada. Ce besoin croissant est devenu particulièrement évident pendant la pandémie de COVID-19, lorsque KHP, la principale organisation canadienne de santé mentale électronique pour les jeunes, a vu la demande pour ses services de soutien textuel augmenter de 51%. Cette demande accrue souligne la nécessité d’élargir et d’aider l’équipe de répondants en crise (CR), qui peuvent faire face à un fardeau cognitif important lors de ces conversations, en gérant des personnes émotionnellement stressées dans des situations potentiellement cruciales pour la vie.
La complexité de ces conversations, combinée au besoin d’une documentation post-conversation précise et d’une identification des enjeux, a mis en lumière la nécessité de solutions innovantes. En collaboration avec KHP, les chercheurs du Vector Institute ont identifié une opportunité d’exploiter des techniques avancées d’IA pour soutenir les CR tout en maintenant la qualité et l’empathie de chaque interaction humaine.
FAIIR emploie un ensemble de trois modèles Longformer, choisis spécifiquement pour leur capacité à traiter de longues conversations de soutien aux crises. Le modèle utilise l’adaptation de domaine grâce à une formation préalable spécialisée utilisant la modélisation masquée du langage lors des conversations sur la santé mentale. Cette architecture permet :
L’architecture la plus performante démontre des performances exceptionnelles sur des indicateurs clés :
| Métrique | Description | Performance |
|---|---|---|
| ROC moyenne de l’AUC | Capacité moyenne du modèle à distinguer les étiquettes d’émission dans toutes les catégories | 94% |
| Score moyen de rappel | Proportion moyenne des balises d’émission pertinentes identifiées comme pertinentes | 81% |
| Score moyen en F1 | Moyenne de la mesure combinée de précision (proportion des étiquettes correctes sur toutes les étiquettes de publication jugées pertinentes) et du rappel | 64% |
| Chute de test silencieuse | Baisse de performance entre le développement initial du modèle et les tests silencieux, indiquant la généralisabilité réelle du modèle | <2% |
Particulièrement remarquable est la performance de FAIIR sur des questions critiques de santé mentale :
| Catégorie de problème | F1-Score |
|---|---|
| Dépression | 0.75 |
| Suicide | 0.73 |
| Automutilation | 0.69 |
| Anxiété/Stress | 0.69 |
Le FAIIR a le potentiel d’améliorer considérablement les opérations de soutien aux crises en réduisant la charge cognitive des CR grâce à l’identification automatisée des problèmes. Le modèle atteint un accord de 90,9% avec les prédictions de RC dans la phase de test silencieux prospectif, tout en simplifiant la documentation post-conversation, permettant des réponses plus efficaces et précises aux crises de santé mentale des jeunes.
Un aspect crucial du succès du FAIIR est sa performance constante à travers les groupes démographiques, avec des variations minimales du score F1 selon le genre (±0,023), l’orientation sexuelle (±0,010), l’identité culturelle (±0,018) et l’ethnicité (±0,024). Cette constance assure un soutien équitable pour les populations jeunes diverses qui cherchent du soutien.
L’équipe de développement de FAIIR a abordé d’importants problèmes de déséquilibre de données, où certains problèmes sont apparus dans plus de 244 000 conversations tandis que d’autres sont survenus en seulement 2 800. Grâce à des techniques d’échantillonnage équilibré, à l’optimisation des seuils et à des fonctions de perte personnalisées, le FAIIR maintient des performances robustes dans les catégories de problèmes courants et rares.
Le modèle gère efficacement de longues conversations de crise grâce à une pré-formation spécialisée et un traitement par lots optimisé, maintenant une haute performance tout en gérant la complexité des discussions émotionnelles et multi-enjeux.
L’équipe de recherche envisage plusieurs initiatives clés pour améliorer les capacités du FAIIR :
FAIIR représente une avancée majeure dans le soutien à la santé mentale assistée par l’IA, démontrant comment la recherche de pointe en IA peut relever des défis sociétaux critiques. Cette collaboration entre Vector Institute et KHP explore comment l’IA peut soutenir les CR dans leur travail vital d’aide aux jeunes canadiens lorsqu’ils en ont le plus besoin.
Cet article de blogue fait partie de notre série « ANDERS – IA Développements notables expliqués & recherche simplifiée ». Ici, nous utilisons des agents d’IA pour créer des brouillons initiaux à partir de travaux de recherche, qui sont ensuite soigneusement édités et affinés par nos humains. L’objectif est de vous offrir des explications claires et concises des recherches de pointe menées par des chercheurs en Vector. Grâce à ANDERS, nous nous efforçons de combler le fossé entre les avancées scientifiques complexes et la compréhension quotidienne, en soulignant pourquoi ces développements sont importants et comment ils impactent notre monde.
