Förbättra Intelligent Survey: använda brute-force metod för att förbättra diagnostisering av depression och ångest med AI

Sammanfattning: Projektet Intelligent Survey (IS) utvecklades för att predicera depression och ångest från naturligt språk genom att översätta individers kvalitativa svar från elva öppna frågor till kvantitativa värden som jämförs och prediceras mot skalorna; Patient Health Questionnaire (PHQ-9), Generalized Anxiety Disorder scale (GAD-7), Harmony in Life scale (HILS) och Satisfaction With Life Scale (SWLS). I samarbete med det pågående projektet var denna studies syfte att minimera mean square error (MSE) i IS genom att modifiera frågeordningen för att få så mycket information som möjligt med så få frågor som möjligt. Metoden som valdes var en brute-force metod som testade alla möjliga utgångspunkter för att hitta den optimala första frågan. IS tränades med svar från 883 deltagare. Brute-force koden resulterade i 11x4 modeller med olika utgångspunkter för IS. Mellanskillnader beräknades för att identifiera trender av förändring i MSE och för att urskilja och implementera den bästa utgångspunkten för IS. Två beroende t-test utfördes för att med större säkerhet kunna undersöka om, och med vilken effektstyrka den nya koden minskat MSE i IS. Första t-testet mätte genomsnittlig MSE över ordningen på frågorna och visade statistiskt signifikans med relativt höga effektstyrkor för alla skalor utom SWLS. Däremot antogs en skepticism av resultaten då enbart PHQ-9 visade statistisk signifikans i det andra t-testet som mätte genomsnittlig MSE över deltagare. Brute-force metoden innebar en huvudsaklig minskning av MSE och visade sig lämplig för att undersöka olika utgångspunkter för IS. Potentiellt kan brute-force metoden utnyttjas för att förbättra andra liknande AI-system inom diagnostisering.