Psychologie x LLM
Background
Digitale Avatare werden zunehmend als potenzielle Schnittstelle für die Unterstützung psychiatrischer Diagnostik diskutiert. Erste Vorarbeiten im Bereich der CCM-Psychiatrie zeigen grundsätzliche Anwendungsmöglichkeiten, sind jedoch bislang nur konzeptionell ausgearbeitet. Für eine weiterführende Umsetzung bedarf es einer klaren Konkretisierung des diagnostischen Einsatzszenarios sowie einer realistischen Abschätzung des Entwicklungs- und Betreuungsaufwands auf Seiten der Charité. Ziel dieser Arbeit ist es, die konzeptionellen, technischen und organisatorischen Anforderungen für die Entwicklung eines digitalen Avatars in der psychiatrischen Diagnostik systematisch zu analysieren und ein umsetzbares Entwicklungskonzept abzuleiten.
Background
Die Anonymisierung psychologischer Interviews ist eine zentrale Voraussetzung für deren Weiterverwendung in Forschung und KI-gestützten Anwendungen. Unterschiedliche Verfahren variieren dabei hinsichtlich Datenschutz, Informationsverlust und technischer Umsetzbarkeit. Ziel dieser Arbeit ist der systematische Vergleich verschiedener Anonymisierungsmethoden für psychologische Interviewdaten und deren Bewertung im Hinblick auf Qualität und Nutzbarkeit.
Background
Große Sprachmodelle (LLMs) bieten neue Möglichkeiten für die Unterstützung psychologischer Diagnostik, ihre Verprobung erfordert jedoch geeignete und datenschutzkonforme Trainings- und Testdaten. Synthetische Daten, die auf psychologischen Interviews basieren, stellen hierfür einen vielversprechenden Ansatz dar. Ziel dieser Arbeit ist der systematische Vergleich verschiedener Verfahren zur Generierung solcher synthetischer Interviewdaten im Hinblick auf Qualität, diagnostische Aussagekraft und Eignung zur Evaluation von LLMs.
Background
Der Einsatz von LLMs für diagnostische Aufgaben erfordert eine systematische Verprobung geeigneter Methoden und Lernparadigmen. Aufbauend auf den Vorarbeiten von Anne-Chloé untersucht diese Arbeit, wie LLMs unter begrenzter Datenverfügbarkeit für diagnostische Fragestellungen eingesetzt werden können. Im Fokus stehen dabei der Vergleich von Few-Shot-, One-Shot- und In-Context-Learning-Ansätzen sowie die Rolle zusätzlicher Wissensbasen. Gleichzeitig adressiert die Arbeit die Frage nach der Verfügbarkeit ausreichend gelabelter Daten und diskutiert Self-Supervised-Learning-Ansätze als mögliche Grundlage, auch mit Blick auf eine spätere Übertragbarkeit auf Erfahrungswissen in der Pflege.
