Resumen: La depresión contribuye de manera importante a la carga de salud mental en Nigeria, pero la cobertura de las pruebas de detección sigue siendo limitada debido al bajo acceso a los médicos, el estigma y las barreras del idioma. Las herramientas tradicionales como el Cuestionario de Salud del Paciente-9 (PHQ-9) fueron validadas en países de ingresos altos, pero pueden ser lingüística o culturalmente inaccesibles para países y comunidades de ingresos bajos y medianos como Nigeria, donde las personas se comunican en pidgin nigeriano y en más de 520 idiomas locales. Este estudio presenta un enfoque novedoso para la detección automatizada de la depresión utilizando modelos de lenguaje grande (LLM) adaptados al Pidgin nigeriano conversacional. Recopilamos un conjunto de datos de 432 respuestas de audio en idioma pidgin de adultos jóvenes nigerianos de entre 18 y 40 años a indicaciones que evaluaban experiencias psicológicas alineadas con los elementos del PHQ-9, realizamos transcripción, preprocesamiento y anotación rigurosos, incluido etiquetado semántico, interpretación de jerga y modismos, y puntuación de gravedad del PHQ-9. Se perfeccionaron tres LLM (Phi-3-mini-4k-instruct, Gemma-3-4B-it y GPT-4.1) en este conjunto de datos anotado y su desempeño se evaluó cuantitativamente (exactitud, precisión y alineación semántica) y cualitativamente (claridad, relevancia y adecuación cultural). GPT-4.1 logró el rendimiento cuantitativo más alto, con una precisión del 94,5 % en la predicción de la puntuación de gravedad del PHQ-9, superando a Gemma-3-4B-it y Phi-3-mini-4k-instruct. Cualitativamente, GPT-4.1 también produjo las respuestas culturalmente más apropiadas, claras y contextualmente relevantes. Detección de depresión mediada por IA para comunidades nigerianas desatendidas. Este trabajo proporciona una base para implementar herramientas conversacionales de salud mental en entornos lingüísticamente diversos y con recursos limitados.
Publicado originalmente en export.arxiv.org el 4 de enero de 2026.
Ver fuente original
