Thèse sur l'utilisation des Large Language Models F/H

Nous recherchons un(e) doctorant(e) motivé(e) et passionné(e) pour un projet de thèse portant sur l'utilisation des modèles de langage de grande taille (Large Language Models, LLM) pour le design, la création, et l'évaluation d'un assistant conversationnel spécialisé dans la réalisation d'entretiens cliniques pour le diagnostic de pathologies comme la dépression ou les troubles du sommeil.
Contexte de la thèse :
Les modèles de langage de grande taille (LLMs) ont récemment suscité une attention considérable dans divers domaines de recherche, notamment la médecine (Thirunavukarasu et al., 2023), l'éducation (Dan et al., 2023) ou la finance (Wu et al., 2023). Dans le domaine de la santé mentale, l'utilisation des LLMs est un domaine de recherche émergent et ambitieux (Dhingra et al., 2023). Des études récentes ont par exemple montré que ChatGPT, en particulier, semble prometteur dans l'analyse de pathologies mentales et dans l'interprétabilité des modèles par rapport aux approches traditionnelles de réseaux de neurones (Yang et al., 2023). Le développement rapide des LLMs a ainsi favorisé l'essor d'agents conversationnels ou chatbots capables de prodiguer des interventions et soutiens psychologiques, lors d'entretiens motivationnels (Galland et al., 2024 ; Min et al., 2022 ; Welivita et Pu, 2023) ou de thérapies cognitivo-comportementales (Ding et al., 2022 ; Maddela et al., 2023 ; Sharma et al., 2023).
L'un des principaux challenges pour la validation ou l'optimisation de tels agents conversationnels est l'obtention de données humain-humain d'entretiens cliniques entre psychiatres et patients pouvant servir de vérité terrain. Psy-LLM peut par exemple fournir un retour en temps réel aux professionnels de la santé mentale en combinant des LLMs préentraînés avec des questions-réponses issues de forums psychologiques (Lai et al., 2023). Pour pallier la disponibilité limitée des données en santé mentale, les chercheurs ont créé le jeu de données de dialogue de soutien émotionnel ExTES, tandis que l'approche SMILE étend les dialogues à un seul tour en interactions à plusieurs tours, enrichissant ainsi la source de données pour le soutien en santé mentale (Zheng et al., 2023 ; Qiu et al., 2023). Cependant, ces corpus de données sont souvent issus de ressources online tels que des réseaux sociaux ou autres forums.

Objectifs de la thèse :
• Collecter des données humain-humain issues d'entretiens cliniques entre un médecin et son patient.
• Designer et créer un agent conversationnel capable d'effectuer des entretiens cliniques, en s'appuyant sur les LLM, afin d'aider au diagnostic de troubles mentaux.
• S'assurer que l'agent respecte les cadres éthiques, déontologiques et réglementaires en matière de santé mentale.
• Intégrer des stratégies pour garantir des échanges pertinents, respectueux et fiables.
• Tester et valider l'efficacité et l'acceptabilité de l'assistant conversationnel via des essais cliniques ou des simulations.
• Collaborer avec des professionnels de la santé mentale pour affiner les capacités de diagnostic de l'IA.