ШТУЧНИЙ ІНТЕЛЕКТ У ПСИХОДІАГНОСТИЦІ ОСОБИСТОСТІ
DOI:
https://doi.org/10.32782/psy-visnyk/2025.3.13Ключові слова:
кіберпсихологія, штучний інтелект, психодіагностика, психічне здоров’я, цифровий фенотип.Анотація
У статті здійснено комплексний аналіз інтеграції штучного інтелекту (ШІ) у сферу психодіагностики особистості, що розглядається як один із ключових напрямів розвитку сучасної психологічної науки та практики. Розкрито потенціал алгоритмів машинного та глибокого навчання у ранньому виявленні психічних розладів, автоматизованій діагностиці та прогнозуванні ефективності лікування. Наголошено, що завдяки здатності до обробки великих масивів даних ШІ дозволяє підвищувати точність виявлення депресії, тривожних і посттравматичних розладів, а також забезпечує об’єктивність, яка часто бракує у традиційних методиках. Значна увага приділена аналізу цифрового фенотипування як новітнього інструменту, що ґрунтується на відстеженні активності у смартфонах, соціальних мережах та щоденних комунікаціях. Визначено, що цей підхід має суттєві переваги у порівнянні з класичними опитувальниками, адже дозволяє оцінювати індивідуальні відмінності й динаміку психоемоційних станів у реальному часі. Окремо розглянуто застосування ШІ у сфері моніторингу психічного здоров’я: мобільні додатки та сенсорні пристрої з алгоритмами штучного інтелекту забезпечують безперервний нагляд, попереджаючи про ризик кризових станів, включаючи суїцидальні думки. У статті також окреслено можливості автоматизації рутинних завдань – від обробки психодіагностичних методик до формування клінічних звітів і управління базами даних, що дає змогу зменшити навантаження на фахівців і підвищити стандартизацію процедур. Важливим напрямом розвитку є віртуальні терапевтичні системи та чат-боти, які, використовуючи принципи когнітивно-поведінкової терапії, можуть надавати базову підтримку користувачам у будь-який час. Водночас акцентовано на етичних викликах: ризиках деперсоналізації допомоги, проблемах конфіденційності та прозорості алгоритмів, а також загрозі алгоритмічної упередженості.
Посилання
Chekroud A. M., et al. Cross-trial prediction of treatment outcome in depression: a machine-learning approach. The Lancet
Psychiatry. 2016. Vol. 3, Issue 3, p. 250–255. DOI: 10.1016/S2215-0366(15)00471-X
Coghlan S., D’Alfonso S. Digital Phenotyping: An Epistemic and Methodological Analysis. Philosophy & Technology. 2021. Vol. 34, p. 1905–1928. DOI: 10.1007/s13347-021-00492-1.
D’Alfonso, S. AI in mental health. Current Opinion in Psychology, 2020. 36, pp. 112–117.
Ding Z. (2025). Trade-offs between machine learning and deep learning for classification of mental health conditions from social media text. Scientific Reports. 2025. 15, Article number: 14497. URL: https://www.nature.com/articles/s41598-025-99167-6 (дата звернення: 26.08.2025).
Dwyer D. B., Falkai P., Koutsouleris N. Machine learning approaches for clinical psychology and psychiatry. Annual Review of Clinical Psychology. 2018. Vol. 14, p. 91–118. DOI: 10.1146/annurev-clinpsy-032816-045037
Global mental health. In: Wikipedia [Електронний ресурс]. 2025. Режим доступу: https://en.wikipedia.org/wiki/Global_mental_health (дата звернення: 26.08.2025)
Graham, S. A. Artificial intelligence for mental health and mental illnesses: an overview. Research.ibm.com. 2019. URL: https://research.ibm.com/publications/artificial-intelligence-for-mental-health-and-mental-illnesses-an-overview (дата звернення: 25.08.2025)
Holm S. Ethical trade-offs in AI for mental health: ensuring transparency in algorithmic output. Frontiers in Psychiatry. 2024. DOI: 10.3389/fpsyt.2024.1407562. URL: https://www.frontiersin.org/journals/psychiatry/articles/10.3389/fpsyt.2024.1407562/full (дата звернення: 26.08.2025).
Karalis V. D. The integration of artificial intelligence into clinical practice. Appl. Biosci. 2024, 3(1), 14–44. URL: https://doi.org/10.3390/applbiosci3010002
Linden W. J., Pashley P. J. Essentials of computerized adaptive testing. Computerized Adaptive Testing: Theory and Practice. Dordrecht: Springer, 2000. Р. 324. DOI: 10.1007/0-306-47531-6.
Longoni C., Bonezzi A., Morewedge C. K. Resistance to Medical Artificial Intelligence. Journal of Consumer Research, 2019. 46(4), pp. 629–650.
McDuff D., et al. Affectiva‑MIT Facial Expression Dataset (AM‑FED): Naturalistic and spontaneous facial expressions collected 'in‑the‑wild'. Conference Proceedings of IEEE CVPR Workshops. 2013. pp. 881–888
Mongelli F., Georgakopoulos P. Challenges and opportunities to meet the mental health needs of underserved and disenfranchised populations in the United States. Focus (American Psychiatric Association Quarterly). 2020. 18(1), pp. 16–24. DOI: 10.1176/appi.focus.20190028
Ocana Flores H. I., Luna A. AI for Psychological Profiles: Advances, Challenges, and Future Directions. Ciencia Latina Revista Científica Multidisciplinar, 2024. 8(3), pp. 10592–10609. https://doi.org/10.37811/cl_rcm.v8i3.12221
Olawade D. B., Wada O. Z., Odetayo A., David-Olawade A. C., Asaolu F., Eberhardt J. Enhancing mental health with Artificial Intelligence: Current trends and future prospects. Journal of Medicine, Surgery, and Public Health. 2024. Vol. 3 (Art. 100099).
DOI: 10.1016/j.glmedi.2024.100099.
Onnela J.-P., Rauch S. L. Harnessing smartphone-based digital phenotyping to enhance behavioral and mental health. Neuropsychopharmacology. 2016. Vol. 41, No 7, p. 1691–1696. DOI: 10.1038/npp.2016.7.
Sharma S. K., Alutaibi A. I., Khan A. R., Tejani G. G., Ahmad, F., Mousavirad S. J. Early detection of mental health disorders using machine learning models using behavioral and voice data analysis. Scientific Reports. 2025. Vol. 15, Art. 16518. DOI: 10.1038/s41598-025-00386-8.
Shatte A. B. R., Hutchinson D. M., Teague S. J. Machine learning in mental health: a scoping review of methods and applications. Psychological Medicine, 2019. 49(9), pp. 1426–1448. DOI 10.1017/S0033291719000151
Teferra, B. G., Rueda, A., Pang, H., Valenzano, R., Samavi, R., Krishnan, S., & Bhat, V. Screening for Depression Using Natural Language Processing: Literature Review. Interactive Journal of Medical Research, 2024. 13, e55067. DOI: 10.2196/55067.
World Health Organization. WHO 2024 Emergency Appeal: Ukraine. Женева: World Health Organization, 2024. URL:
en.pdf (дата звернення: 26.08.2025)
Youyou W., Kosinski M., Stillwell D. Computer-based personality judgments are more accurate than those made by humans. Proceedings of the National Academy of Sciences of the USA (PNAS). 2015. Vol. 112, No 4, p. 1036–1040. DOI: 10.1073/pnas.1418680112.
Zhang T., Schoene A. M., Ji S., Ananiadou S. Natural language processing applied to mental illness detection: a narrative
review. Digital Medicine, 2022. 15(1):16518. DOI 10.1038/s41746-022-00589-7
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.




