בעולם הפסיכולוגיה הקלינית, בדיקת שרטוט בית-עץ-אדם (HTP), שפותחה על ידי ג'ון באק ב-1948, נותרת כלי פרויקטיבי פופולרי. אולם, היא סובלת מבעיות כמו תקנים סובייקטיביים, תלות בניסיון הבודק והיעדר מערכת קידוד כמותית מאוחדת. חוקרים מציגים כעת מסגרת אוטומטית חדשנית המבוססת על מודלים שפה גדולים רב-מודליים (MLLM) ומערכת רב-סוכנים, שמבטיחה סטנדרטיזציה ודיוק גבוה יותר.
המחקר בדק את היכולת של MLLM לפרש שרטוטי HTP בהשוואה לפרשנויות מומחים אנושיים. ניסויים כמותיים הראו דמיון סמנטי ממוצע של כ-0.75 (סטיית תקן של 0.05) בין הפרשנויות של המודל לאלו של המומחים. במערכי נתונים מובנים וממוקדי מבנה, הדמיון עלה ל-0.85, מה שמעיד על הבנה ברמת מומחה בסיסית. המערכת הרב-סוכנית, שמחלקת תפקידים בין זיהוי תכונות להסקת מסקנות פסיכולוגיות, שיפרה את התוצאות באופן משמעותי.
בנוסף לנתונים הכמותיים, ניתוח איכותני הדגים כי המערכת מתקנת הזיות חזותיות נפוצות במודלים רב-מודליים. על ידי שילוב פרספקטיבות סוציו-פסיכולוגיות ונרטיבים מפויסי סטיגמה, היא מייצרת דוחות פסיכולוגיים בעלי תוקף אקולוגי גבוה וקוהרנטיות פנימית. לפי הדיווח, זו גישה חדשהניו שמפרידה בין זיהוי ויזואלי להסקה פסיכולוגית עמוקה.
המשמעות של הממצאים היא פוטנציאל עצום לשימוש במודלים רב-מודליים ככלים סטנדרטיים להערכה פרויקטיבית. במיוחד בתחום שירותי בריאות נפש דיגיטליים, המסגרת הזו מציעה פרדיגמה חדשה: אוטומציה אמינה שמפחיתה הטיות סובייקטיביות ומאפשרת גישה נרחבת יותר לבדיקות. בהשוואה לשיטות מסורתיות, היא מבטיחה עקביות גבוהה יותר בין בודקים שונים.
עבור מנהלי עסקים ומפתחי טכנולוגיה בישראל, המחקר מדגיש הזדמנויות בשילוב AI בפסיכולוגיה קלינית. עם התקדמות ה-MLLM, חברות יכולות לפתח פלטפורמות בריאות נפש מבוססות AI שמתאימות לשוק המקומי, תוך שמירה על סטנדרטים אתיים גבוהים. מה תהיה ההשפעה על שירותי הטיפול הנפשי בעידן הדיגיטלי?