Szöveges beszélgetésekből becsülheti az öngyilkossági kockázatot egy MIT-eszköz
Az MIT McGovern Institute kutatói olyan nyelvfeldolgozó eszközt fejlesztettek, amely válságsegítőkkel folytatott szöveges beszélgetések alapján becsüli az öngyilkossági kockázatot. A rendszer 49 kockázati tényezőhöz kapcsolódó szavakat és kifejezéseket keres, és az eredményeket értelmezhető módon jeleníti meg.
- Az eszköz 49 öngyilkossági kockázati tényezőhöz kapcsolódó kifejezéseket keres.
- A kutatók körülbelül 16 ezer válságsegítő beszélgetés szövegét elemezték.
- A halálos eszközökre, szerhasználatra és önsértésre utaló jelek erős előrejelzők voltak.
- A könnyű modell személyi számítógépen is futtatható és megmutatja az értékelés alapját.
- Klinikai használat előtt további validációra és folyamatos finomításra van szükség.
Mintegy 16 ezer beszélgetést elemeztek
Az eszközt Daniel Low, az MIT McGovern Institute korábbi doktorandusza fejlesztette Satra Ghosh vezető kutató Senseable Intelligence Group nevű csoportjának munkatársaival. Low jelenleg a Child Mind Institute kutatója, ahol az AI, Risk, and Contemplative Science Lab vezetője, emellett a Harvard University vendégkutatója.
A kutatók a Crisis Text Line szervezettel működtek együtt. Ez egy globális mentális egészségügyi nonprofit szervezet, amely ingyenes, éjjel-nappal elérhető, bizalmas, szöveges támogatást nyújt a segítségre szorulóknak. A szervezet képzést biztosított a résztvevőknek, valamint ellenőrzött hozzáférést adott a korlátozottan hozzáférhető adathalmazhoz.
A vizsgálatban körülbelül 16 ezer, a válságsegítőkkel folytatott beszélgetés anonimizált szövegét elemezték. A Crisis Text Line értékelései alapján a beszélgetéseket három csoportba sorolták: öngyilkossági kockázat nélküli esetek, közvetlen veszély nélküli öngyilkossági gondolatok, valamint közvetlen kockázat. Az utóbbi csoportba azok kerültek, akiknek tervük volt az öngyilkosságra, vagy a következő 48 órán belül szándékukban állt meghalni.
49 kockázati tényezőhöz készítettek szótárat
A kutatócsoport először egy, az öngyilkossági kockázat felismerésére szolgáló szókészletet hozott létre. Mesterséges intelligenciával állítottak össze egy kezdeti listát az öngyilkossági gondolatokhoz, kísérlethez és halálesethez kapcsolódó kockázati tényezők szavairól és kifejezéseiről. Ezt később manuálisan átnézték, majd klinikai szakértők erősítették meg a kifejezések relevanciáját.
A végleges szótár 49 kockázati tényezőhöz körülbelül 60 szót vagy kifejezést tartalmaz. A gépi tanulási modell ezek alapján vizsgálja meg a beszélgetéseket, és megbecsüli a kockázat szintjét. Mivel az egyes kifejezések konkrét tényezőkhöz kapcsolódnak, a kutatók azt is meg tudták vizsgálni, mely jelek állnak a legszorosabb kapcsolatban a közvetlen kockázattal.
A közvetlen kockázatú csoportban gyakrabban jelentek meg a halálos eszközökre és a szerhasználatra vonatkozó említések, mint a lehangoltság vagy a fáradtság. Erős előrejelzőnek bizonyultak az aktív öngyilkossági gondolatok és az önsértésre utaló kifejezések is. Köztes előrejelzőként a szorongás, a poszttraumás stresszzavar és az érzelmi fájdalom jelent meg.
Értelmezhetőbb a nagy nyelvi modelleknél
A modell minden kockázati tényezőhöz súlyt rendel annak alapján, hogy mennyiben járul hozzá a kockázathoz. A halálos eszközökre utaló szavak, például a „vágás” vagy a „tabletták”, nagyobb súlyt kapnak, míg a reménytelenséghez kapcsolódó kifejezések, például a „nem tudom, mit tegyek” vagy a „reménytelen”, kisebb mértékben befolyásolják az eredményt.
A betanítás után a rendszer olyan új beszélgetésekben is pontosan becsülte a kockázat súlyosságát, amelyeket korábban nem látott. A kutatók ugyanakkor korlátokat is azonosítottak. A szótár nem mindig veszi figyelembe a kifejezések környezetét, és elvétheti azokat a hasonló jelentésű szavakat, amelyek nem szerepelnek benne.
Low és munkatársai nagy nyelvi modelleket használtak a szótár létrehozásához, maga az előrejelző rendszer azonban egy egyszerűbb, könnyű modell. Ez kisebb számítási igénnyel futtatható személyi számítógépen, és adatvédelmi szempontból is kedvezőbb lehet. A rendszer azt is megmutatja, mely szavak alapján jutott az értékeléshez, így a felhasználók követhetik az eredmény alapját.
A kutatók szerint a klinikai alkalmazás előtt alaposan validálni kell a modellt, és a nyelvhasználat, illetve a vizsgált célcsoportok változása miatt folyamatos finomításra is szükség lehet. Satra Ghosh szerint az emberi szakértő bevonása hosszú ideig kulcsfontosságú marad. A szótárat és az elkészítéséhez használt szoftvercsomagot széles körben megosztják, a szöveges kockázatbecslést pedig közösségimédia-adatokon és elektronikus egészségügyi nyilvántartásokon is vizsgálják.
Az eredményekről a kutatók a Journal of Psychopathology and Clinical Science folyóiratban számoltak be 2026. szeptember 24-én.
MIT News: Estimating suicide risk from text
