Nuovo framework di IA combina LLM con apprendimento multi-istanza per il rilevamento di distorsioni cognitive

Un innovativo framework di intelligenza artificiale integra i Large Language Models con l'architettura di Multiple-Instance Learning per migliorare il rilevamento delle distorsioni cognitive, strettamente associate ai disturbi della salute mentale. Il sistema elabora ogni enunciato suddividendolo in componenti di Emozione, Logica e Comportamento. Gli LLM analizzano questi componenti ELB per identificare multiple istanze di distorsione, ciascuna assegnata a un tipo, espressione e punteggio di salienza generato dal modello. Queste istanze vengono poi combinate utilizzando un meccanismo di Multi-View Gated Attention per la classificazione finale. I test sui dataset coreano (KoACD) e inglese (Therapist QA) hanno dimostrato che l'incorporazione dei componenti ELB e dei punteggi di salienza inferiti dagli LLM migliora le prestazioni di classificazione, particolarmente per le distorsioni con elevata ambiguità interpretativa. L'approccio affronta le sfide del rilevamento automatico, inclusa l'ambiguità contestuale, la co-occorrenza e la sovrapposizione semantica. Sfruttando le capacità di ragionamento degli LLM all'interno di un'architettura MIL, il framework mira a migliorare sia l'interpretabilità che l'analisi a livello di espressione. La ricerca è documentata nella preprint arXiv 2509.17292v3 con tipo di annuncio replace-cross.