27 mai 2025
Les chercheurs de l'Institut Vector et de Jeunesse, J'écoute (KHP) ont co-créé le modèle Frontline Assistant : Issue Identification and Recommendation (FAIIR). Ce modèle identifie et catégorise automatiquement les questions clés abordées lors des conversations de soutien en cas de crise avec les jeunes, améliorant ainsi la prestation de soins centrés sur l'être humain par le personnel de première ligne de KHP. Leurs travaux ont été récemment publiés dans un article de la revue npj Digital Medicine.
Ce résumé concis comble le fossé entre les avancées scientifiques complexes et la compréhension de tous les jours. 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 est confronté à des problèmes de santé mentale. Le suicide est la deuxième cause de décès chez les jeunes et les jeunes adultes (15-34 ans) au Canada. Lorsque les jeunes Canadiens atteindront l'âge de 25 ans, un sur cinq sera confronté à des problèmes de santé mentale. Malgré la fréquence de ces problèmes, trouver la bonne aide peut s'apparenter à un véritable labyrinthe.
Depuis le début de l'année 2020, Jeunesse, J'écoute 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, le principal organisme de santé mentale en ligne pour les jeunes au Canada, a vu la demande pour ses services de soutien par texto augmenter de 51 %. Cette demande accrue souligne la nécessité d'élargir et d'aider l'équipe des intervenants en cas de crise, qui peuvent être confrontés à une charge cognitive importante au cours de ces conversations, en gérant des personnes émotionnellement stressées dans des situations potentiellement critiques pour leur vie.
La complexité de ces conversations, combinée à la nécessité d'une documentation post-conversation précise et de l'identification des problèmes, a mis en évidence le besoin de solutions innovantes. En collaboration avec KHP, les chercheurs de l'Institut Vecteur ont identifié une opportunité d'utiliser des techniques d'IA avancées pour soutenir les CR tout en maintenant la qualité et l'empathie de chaque interaction humaine.
FAIIR utilise un ensemble de trois modèles Longformer, spécifiquement choisis pour leur capacité à traiter de longues conversations de soutien en cas de crise. Le modèle utilise l'adaptation au domaine par le biais d'un pré-entraînement spécialisé utilisant la modélisation du langage masqué sur les conversations relatives à la santé mentale. Cette architecture permet :
Les architectures les plus performantes affichent des résultats exceptionnels en ce qui concerne les indicateurs clés :
| Métrique | Description | Performance |
|---|---|---|
| Moyenne de la SSC ROC | Capacité moyenne du modèle à faire la distinction entre les étiquettes de questions dans toutes les catégories | 94% |
| Score moyen de rappel | Proportion moyenne d'étiquettes identifiées comme pertinentes | 81% |
| Score F1 moyen | Moyenne de la mesure combinée de la précision (proportion d'étiquettes correctes sur l'ensemble des étiquettes jugées pertinentes) et du rappel. | 64% |
| Goutte d'eau silencieuse pour les tests | Diminution des performances entre le développement initial du modèle et les tests silencieux, ce qui indique que le modèle peut être généralisé dans le monde réel | <2% |
Les performances du FAIIR dans le domaine de la santé mentale sont particulièrement remarquables :
| Catégorie d'enjeu | Score F1 |
|---|---|
| Dépression | 0.75 |
| Suicide | 0.73 |
| L'automutilation | 0.69 |
| Anxiété/Stress | 0.69 |
FAIIR a le potentiel d'améliorer de manière significative les opérations de soutien en cas de crise en réduisant la charge cognitive des CR grâce à l'identification automatisée des problèmes. Le modèle est en accord à 90,9 % avec les prédictions des CR lors de la phase de test prospective silencieuse, tout en rationalisant la documentation post-conversation, ce qui permet des réponses plus efficaces et plus précises aux crises de santé mentale des jeunes.
Un aspect crucial du succès de FAIIR est la cohérence de ses performances entre les groupes démographiques, avec des variations minimes du score F1 entre le sexe (±0,023), l'orientation sexuelle (±0,010), l'identité culturelle (±0,018) et l'appartenance ethnique (±0,024). Cette cohérence garantit un soutien équitable aux diverses populations de jeunes à la recherche d'un soutien.
L'équipe de développement de FAIIR a relevé d'importants défis en matière de déséquilibre des données, certains problèmes apparaissant dans plus de 244 000 conversations, tandis que d'autres n'apparaissaient que dans 2 800 conversations. Grâce à des techniques d'échantillonnage équilibré, à l'optimisation des seuils et à des fonctions de perte personnalisées, FAIIR maintient des performances solides dans les catégories de problèmes courants et rares.
Le modèle traite efficacement les longues conversations de crise grâce à un pré-entraînement spécialisé et à un traitement optimisé des lots, ce qui permet de maintenir des performances élevées tout en gérant les complexités des discussions émotionnelles et multi-problèmes.
L'équipe de recherche envisage plusieurs initiatives clés pour renforcer les capacités du FAIIR :
FAIIR représente une avancée significative dans le domaine du soutien à la santé mentale assisté par l'IA, démontrant comment la recherche de pointe sur l'IA peut relever des défis sociétaux cruciaux. Cette collaboration entre l'Institut Vecteur et KHP explore la façon dont l'IA peut soutenir les CR dans leur travail vital d'aide aux jeunes Canadiens lorsqu'ils en ont le plus besoin.
Ce billet de blog fait partie de notre série "ANDERS - AI Noteworthy Developments Explained & Research Simplified". Nous utilisons ici des agents d'intelligence artificielle pour créer les premières ébauches de documents de recherche, qui sont ensuite soigneusement éditées et affinées par nos collaborateurs. L'objectif est de vous fournir des explications claires et concises sur les recherches de pointe menées par les chercheurs de Vector. Grâce à ANDERS, nous nous efforçons de combler le fossé entre les avancées scientifiques complexes et la compréhension de tous les jours, en soulignant pourquoi ces développements sont importants et comment ils influencent notre monde.
