Исследователи под руководством Эйдана Райта (Aidan G. C. Wright) проверили, как большие языковые модели (системы ИИ, обученные на огромных массивах текста) оценивают депрессию по расшифровкам коротких ежедневных видеодневников. Оценки модели умеренно совпали с опросниками и добавили к ним сведения о тяжести депрессии. Это продольное наблюдение на небольшой выборке. Результаты опубликованы в журнале npj Digital Medicine.

Работа касается наблюдения за клиентом между сессиями, которое сейчас держится на анкетах, заполняемых самим человеком. По её данным, свободный рассказ о прожитом дне несёт сведения о состоянии, которых в анкете нет. Как такие оценки соотносятся с конкретными шкалами вроде PHQ-9 (опросник депрессии из девяти вопросов) и работают ли они на русской речи, исследование не показывает.

Частые замеры депрессии нужны и исследователям, и клиницистам: состояние меняется от недели к неделе, а то и от дня к дню. Почти всегда такие замеры строятся на самоотчёте, у которого, по словам авторов, серьёзные ограничения. Претензии к опросникам звучат давно: мы уже писали, что баллы PHQ-9 и GAD-7 во многом сводятся к одному общему фактору.

Первый автор работы — Уитни Рингвальд (Whitney R. Ringwald), руководитель группы — Эйдан Райт (Aidan G. C. Wright). Всего у статьи шесть авторов. Сведений о местах работы, источниках финансирования и конфликте интересов данные о публикации не приводят. Статья вышла в 2026 году и доступна по подписке. Ссылок на неё в других работах пока нет.

В исследовании участвовали 108 человек. Их отбирали по тому, лечатся ли они от психических расстройств: на момент работы лечение получали 45 процентов. Каждый прошёл клиническое интервью, а затем от 14 до 21 дня ежедневно заполнял опросник о депрессии и записывал короткий видеодневник. Записи расшифровывали, и языковые модели по тексту выставляли оценку депрессии за каждый день.

Внутри одного человека дневные оценки модели совпадали с самоотчётом умеренно (r = 0,45; 95-процентный интервал достоверности 0,40–0,49). Усреднённые за все дни — сильнее (r = 0,61), с интервью — на уровне r = 0,53. С повседневным функционированием обе меры были связаны почти одинаково. При этом модель добавляла к самоотчёту сведения о тяжести по интервью (β = 0,33; интервал 0,07–0,58). Авторы считают, что модели «capture clinically-relevant information that self-reports miss» («улавливают клинически значимые сведения, которые упускают самоотчёты»).

Выборка мала, и отбирали её не случайно. Связи умеренные, а широкий интервал для интервью оставляет прибавку модели к самоотчёту неопределённой по величине. Внешняя мера одна — клиническое интервью, и проведено оно один раз. Работа не проверяет, меняет ли такой мониторинг ход терапии. Перенос на русскоязычных клиентов не проверялся. Где хранятся видео и расшифровки, когда их обрабатывает зарубежная модель, исследование не обсуждает.

Ранее мы писали, что в задаче распознавания психических проблем по тексту простой алгоритм оказался точнее GPT: языковая модель не всегда выигрывает у более скромных инструментов.