Выявление расстройства формального мышления с помощью глубоких контекстуализированных представлений слов

Вычислительная лингвистика позволила создать объективные инструменты для измерения некоторых симптомов шизофрении, включая связность речи, связанную с расстройством формального мышления (РФМ). Целью исследования было определить, позволяют ли векторные представления высказываний на основе нейронных сетей точнее выявлять РФМ, чем модели, основанные на отдельных показателях. В исследовании использовали комплексный подход Embeddings from Language Models (ELMo) для представления интервью пациентов с шизофренией (N = 35) и здоровых участников (N = 35). Полученные результаты сравнивали с результатами подхода, описанного Bedi et al. (2015), который далее обозначается как модель связности. Кроме того, практикующий врач проводил оценку по Шкале оценки мышления, речи и коммуникации (TLC). При использовании всех шести вопросов TLC точность ELMo при различении пациентов и здоровых участников составила 80%. Ранее применявшиеся модели связности были менее точными — 70%. Практикующий врач правильно классифицировал участников в 74% случаев. Наш анализ показал, что и ELMo, и TLC чувствительны к симптомам дезорганизации у пациентов. В этом исследовании методы, использующие текстовые представления, полученные с помощью языковых моделей, были точнее методов, основанных исключительно на оценке РФМ, и могут применяться для оценки нарушений речи в дополнение к клинической оценке специалиста.