Bu sayfa, 26. Dünya Psikiyatri Kongresi'nde sunulan çalışmanın yapay zekâ desteğiyle hazırlanmış Türkçe özetidir. Çalışmanın sahibi sunan yazarlardır; atıf için orijinal kaynağa başvurun.

EV0445

Japonca psikiyatri kayıtlarının büyük dil modeli destekli yapılandırılması için çok katmanlı bağlamsal etiketleme çerçevesi

A MULTIGRANULAR CONTEXTUAL ANNOTATION FRAMEWORK FOR LLM-ASSISTED STRUCTURING OF JAPANESE PSYCHIATRIC RECORDS

Bilginin kaynağını, kimi ilgilendirdiğini, nottaki işlevini, kesinlik durumunu ve değerlendirme ile dayanak ifadeler arasındaki bağı açık biçimde etiketleyen bir TEI/XML çerçevesi, büyük dil modeli çıktılarının insan tarafından denetlenmesine olanak vermektedir.

Çalışmanın amacı, özgün metni koruyan ve büyük dil modeli (large language model, LLM) tarafından üretilen etiketlemelerin insan denetimine açık olmasını sağlayan bir TEI/XML çerçevesi geliştirmektir. Gerekçe, psikiyatrik ilk görüşme notlarının hastanın söylediklerini, ailenin bildirdiklerini, sevk yazılarını ve klinisyenin gözlem ve çıkarımlarını bir arada içermesi; bu ayrımların notlar araştırma amacıyla yeniden kullanıldığında ya da LLM ile çıkarılan bilgi özgün metinle karşılaştırıldığında önem kazanmasıdır. Var olan yaklaşımlar bir bulgunun var, yok ya da belirsiz olduğunu ve kimi zaman hastadan başkasını ilgilendirdiğini kodlarken (Real-MedNLP v8; 2010 i2b2/VA şeması; ConText), önerilen çerçeve kaynak (source), kimi ilgilendirdiği (about), nottaki işlev (function), kesinlik durumu (stance) ve değerlendirme ile dayanak ifadeler arasındaki kanıt bağlarını (evidence) bir arada ele almaktadır. Posterde benzetilmiş bir ilk görüşme notu üzerinde hasta ifadesi, aile bildirimi, klinisyen gözlemi ve klinisyen değerlendirmesi ayrı ayrı etiketlenmiş; belirsiz olarak işaretlenen tanısal değerlendirme, kendisini destekleyen iki ifadeye kanıt bağıyla bağlanmıştır. Çerçevenin spesifikasyonu ile doğrulama, çıkarım ve düzenleme için Python/TypeScript referans araçları uygulanmıştır. Sürmekte olan pilot çalışmada üç benzetilmiş ilk görüşme (dökümler ve örnek kayıtlar) iki etiketleyici tarafından bağımsız olarak, aynı metinler ayrıca yerel ve ticari LLM'ler tarafından etiketlenmekte; sonuç ölçütleri boyut bazında etiketleyiciler arası ve insan ile LLM arasındaki uyum (F-score, κ) ile hata çözümlemesidir. Yazarlar, çerçevenin LLM destekli yapılandırma için denetlenebilir bir temel sunduğunu, diller arası aktarımın ise henüz sınanmadığını belirtmektedir.

Tüm WCP 2026 özetleri