Klinische Wirksamkeit vortrainierter großer Sprachmodelle durch die Linse von Aphasie

Zusammenfassung Die rasante Entwicklung großer Sprachmodelle (LLMs) motiviert uns, zu erkunden, wie solche hochmodernen Systeme der natürlichen Sprachverarbeitung die Aphasie-Forschung informieren können. Welche Art von Sprachindices können wir aus einem vortrainierten LLM ableiten? Wie unterscheiden sie sich von oder stehen sie im Zusammenhang mit den bestehenden Sprachmerkmalen bei Aphasie? Inwieweit können LLMs als interpretierbares und effektives diagnostisches und Messinstrument in einem klinischen Kontext dienen? Um diese Fragen zu untersuchen, haben wir prädiktive und korrelationalen Modelle konstruiert, die mittlere Überraschungen von LLMs als Prädiktorvariablen nutzen. Mithilfe von AphasiaBank-Daten haben wir die Wirksamkeit unserer Modelle bei der Aphasie-Diagnose, -Messung und -Vorhersage validiert. Unser Ergebnis ist, dass LLMs-Überraschungen effektiv das Vorhandensein von Aphasie und verschiedene Arten der Störung erkennen können, dass LLMs in Verbindung mit bestehenden Sprachindices die Wirksamkeit der Modelle zur Subtypisierung von Aphasie verbessern und dass LLMs-Überraschungen häufige agrammatische Defizite sowohl auf Wort- als auch auf Satzebene erfassen können. Insgesamt haben LLMs das Potenzial, die automatische und präzise Vorhersage von Aphasie zu verbessern. Eine Pipeline zur natürlichen Sprachverarbeitung kann erheblich davon profitieren, LLMs zu integrieren, was es uns ermöglicht, Modelle bestehender Sprachstörungen, wie z. B. Aphasie, zu verfeinern.