За похожим поведением могут стоять разные процессы. Человек редко берётся за приятные занятия: возможно, ждёт от них мало удовольствия, а возможно, медленно меняет ожидания даже после удачного опыта. Вычислительная психиатрия превращает эти объяснения в параметры, которые можно сопоставить с результатами эксперимента.

В этом и польза модели. Она делает гипотезу достаточно конкретной для проверки. Совпадение с данными ещё не означает, что мы нашли причину расстройства у отдельного человека.

Как работает вычислительная психиатрия

Исследователи задают математическую модель процесса, например обучения на вознаграждениях, дают участникам задание и оценивают, какие параметры лучше описывают их решения. Скорость обучения показывает, насколько новый результат меняет ожидание. Чувствительность к вознаграждению описывает, какой вес в модели получает сама награда.

Huys, Maia и Frank (2016) разделяют теоретически ориентированные модели и подходы на основе данных. Первые проверяют предполагаемые механизмы, вторые ищут закономерности для классификации участников или прогноза исходов. Их можно сочетать, но удачный прогноз сам по себе ещё не объясняет причину происходящего.

Вот четыре распространённых подхода. Они пересекаются: иерархический гауссовский фильтр тоже относится к байесовским моделям, отдельной теорией психических расстройств он не является.

Подход	Что описывает модель	Пример исследовательского вопроса
Обучение с подкреплением	Как результат меняет ожидаемую ценность действия	Помогает ли сниженная чувствительность к награде объяснить ангедонию в задании?
Байесовское восприятие и модели свободной энергии	Как ожидания сочетаются с сенсорными данными	Когда ожидание перевешивает неоднозначный сигнал?
Сети симптомов	Как симптомы могут влиять друг на друга	Могут ли плохой сон и подавленность поддерживать друг друга?
Иерархический гауссовский фильтр	Как обновляются убеждения о меняющейся среде	Как человек оценивает неопределённость и изменения?

Каждый подход задаёт свой вопрос. Полного объяснения депрессии, тревоги или психоза ни один из них в одиночку не даёт.

Два примера с проверяемыми предсказаниями

В мета-анализе Huys и коллег (2013) разобрали шесть поведенческих наборов данных, всего 392 экспериментальные сессии. Участники выполняли задание с вероятностным вознаграждением, а модели обучения с подкреплением позволяли отдельно оценить чувствительность к награде и скорость обучения.

При большом депрессивном расстройстве и ангедонии сильнее снижалась чувствительность к вознаграждению, чем менялась скорость обучения. Разница существенная: в этом задании вес награды объяснял наблюдаемую картину лучше, чем изменение темпа обучения. Из этого не следует, что других нарушений обучения нет или что вся депрессия устроена именно так.

Powers, Mathys и Corlett (2017) провели другой эксперимент. С помощью павловского обусловливания они вызывали слуховые галлюцинации у четырёх групп, различавшихся опытом слышания голосов и обращением за лечением. Участники, слышавшие голоса, оказались восприимчивее к эффекту. Вычислительная модель связала его с избыточным весом ожиданий в восприятии.

Получился способ проверить предполагаемый механизм в контролируемых условиях. Чтобы распространить вывод на все галлюцинации или использовать его в индивидуальной диагностике, нужны отдельные данные.

Сетевая теория задаёт иной вопрос. Borsboom (2017) предлагает рассматривать симптомы как возможные причины друг друга: плохой сон усиливает усталость, усталость мешает повседневным занятиям, это может влиять на настроение. Исследователь проверяет связи между симптомами, не предполагая заранее одну скрытую причину для всей картины.

Что это меняет в исследовании лечения

Если параметр надёжно описывает значимый процесс, можно проверить, меняет ли его терапия и связано ли это изменение с улучшением состояния. Вопрос становится точнее, чем просто сравнение средних результатов до и после лечения.

А вот получить надёжное измерение непросто. Karvelis, Paulus и Diaconescu (2023) разобрали воспроизводимость и валидность вычислительных показателей. У многих обнаружились слабые психометрические свойства. Если один человек получает заметно разные оценки при повторении задания, опираться на такой параметр при выборе помощи трудно (даже когда различие между группами выглядит убедительно).

Отсюда и расстояние между исследовательской моделью и чатботом. Наш обзор исследований КПТ-чатботов сравнивает устройство диалога и методы оценки. Он не показывает, что чатбот умеет находить и исправлять конкретный вычислительный механизм. А мета-анализ ИИ-чатботов разбирает другую доказательную базу, изменения симптомов у участников исследований.

Цифровое фенотипирование может дать дополнительные наблюдения, например изменения активности или использования телефона. Соединить их с вычислительной моделью интересно для исследования, но обнаружить закономерность, объяснить её причину и выбрать полезное вмешательство нужно проверять отдельно. Один удачный тест все эти задачи не закрывает.

Часто задаваемые вопросы

Что такое вычислительная психиатрия простыми словами?

Это проверка гипотез о психических процессах с помощью математических моделей. Можно оценить, как человек учится на наградах или сочетает ожидания с сенсорными данными, а затем сопоставить оценки с поведением и симптомами.

Может ли модель найти точную причину расстройства у человека?

Хорошее совпадение показывает, что модель описывает полученные данные. Похожее поведение могут порождать разные механизмы, поэтому для вывода о причине нужны дополнительные свидетельства и надёжные измерения.

Чем это отличается от приложения для ИИ-поддержки?

Вычислительная психиатрия изучает предполагаемые механизмы и прогнозы. Приложение предлагает разговор или упражнения. Назначение и возможности "Рядом" описаны на странице фактов: эмоциональная поддержка и самопомощь, без диагностики по вычислительным моделям.