LLM-ek előzik a finomhangolt modelleket az öngyilkossági adatok elemzésében
Az öngyilkosságot megelőző körülmények feltárásához elengedhetetlen a strukturált információk kinyerése a haláleseti vizsgálati beszámolókból, amihez gyakran szemantikai következtetésre van szükség.
A nagyméretű nyelvi modellek (LLM-ek) jelentősen felülmúlják a finomhangolt modelleket az öngyilkossági adatok elemzésében, különösen az alacsony előfordulású esetekben, ahol az eddigi betanítási adatok elégtelenek — írja az ArXiv-en megjelent tanulmány.
A kutatók egy „Complexity Score” algoritmust fejlesztettek ki, amely a kódolási kézikönyvek struktúráját elemzi, hogy megjósolja, mikor javítják a részletes utasítások a név-alapú utasítások hatékonyságát. Ez a hibrid megközelítés körülményenként választja ki a megfelelő prompt stratégiát.
A Nemzeti Erőszakos Halálesetek Jelentési Rendszeréből (NVDRS) származó 25, következtetésre épülő komplex körülményen értékelték a LLM-eket a finomhangolt RoBERTa modellekkel szemben. A GPT-5.2, a Gemini 2.5 Pro és a Llama-3 70B modellek konzisztensen jobb eredményeket mutattak azokban az esetekben, ahol kevés betanítási adat állt rendelkezésre.
Az új rendszerrel a kutatók reményei szerint pontosabb és mélyebb betekintést nyerhetnek az öngyilkosságok mögötti okokba, ami segítheti a megelőzési stratégiák fejlesztését. A Complexity Score algoritmus általánosítható a legújabb LLM-ekre is, ami szélesebb körű alkalmazást tesz lehetővé az adatok elemzésében.