21 Novembre 2026

Psicologia Punto One | Psicologia e Psicologi nel Web

Menu

Menu

SCHEDA SCIENTIFICA2026Altra ricerca

Valutazione degli output derivati da grandi modelli linguistici come misure psicologiche: un quadro psicometrico a cinque domini con applicazione allo stress quotidiano

Titolo originaleEvaluating Large Language Model-Derived Outputs as Psychological Measures: A Five-Domain Psychometric Framework With Application to Daily Stress.

Inyong Jeong, Soohyun Park, Min Jhon, Dae-Kwang Kim, Jin-Hyun Park, Yeongmin Kim, MyeongGyun Jang, Jae-Min Kim, Ju-Wan Kim, Hwamin Lee

Journal of medical Internet research · 2026

PER COMPRENDERE LO STUDIO

Sintesi in italiano

Lo studio affronta la valutazione degli output prodotti da grandi modelli linguistici (LLM) come misure psicologiche, superando l'approccio tradizionale centrato solo sulla predizione di etichette esterne spesso imperfette. L'obiettivo è applicare un quadro psicometrico multidimensionale, comprendente cinque domini di valutazione, per analizzare se questa prospettiva riveli proprietà non evidenziate da una valutazione orientata solo alla predizione. Sono state estratte tredici caratteristiche linguistiche da GPT-5.2 su 3556 giornate persona di narrazioni vocali raccolte da 279 operatori di call center in un periodo di quindici giorni, valutate in confronto con uno strumento lessicale (Linguistic Inquiry and Word Count, versione 22). Le valutazioni hanno incluso: ripetibilità dell'estrazione, validità convergente, validità ecologica scomposta in componenti intra- e inter-persona, valore incrementale in confronto a quattro condizioni e valutazione esperta cieca con analisi strutturata degli errori. I risultati mostrano elevata ripetibilità (coefficiente intraclasse medio 0.987), validità convergente dipendente dal costrutto (Spearman ρ da 0.08 a 0.79) e tracciamento intra-persona dello stress nello stesso giorno (β=0.68). Il modello con caratteristiche LLM ha incrementato la varianza spiegata nello stress quotidiano dal 13.2% al 30.4%, superando il 16.9% del confronto lessicale. La rivalutazione con un altro modello (Google Gemini 2.5 Flash) ha replicato le proprietà chiave (r=0.94). L’analisi degli errori ha evidenziato come la maggioranza degli errori false-positive fosse attribuibile a limiti dell’etichetta di riferimento, più che a errori del modello. Questo approccio di valutazione ha evidenziato aspetti non indagati dal solo confronto predittivo, quali differenze intra- vs. inter-persona, limiti delle etichette di riferimento e influenza delle differenze individuali sul significato delle caratteristiche. In ambito clinico, tali misure LLM si propongono come complemento agli strumenti di screening tradizionali per il monitoraggio longitudinale, non come diagnostica autonoma. Lo studio si configura come articolo di ricerca pubblicato, senza ulteriori dati sull’abstract.

Sintesi generata con IA. Verifica metodi, risultati e limiti nella pubblicazione originale.

Abstract e pubblicazione originale

L’abstract è consultabile nella fonte originale. Non viene ripubblicato qui perché non risulta verificata una licenza compatibile.

Leggi nella fonte originale ↗

Parole chiave

grandi modelli linguisticimisure psicologichevalutazione psicometricastress quotidianoripetibilitàvalidità convergentevalidità ecologicamonitoraggio longitudinaleLinguistic Inquiry and Word Countintelligenza artificialeGPT-5.2Google Gemini 2.5 Flash

Come citare questo studio

Inyong Jeong, Soohyun Park, Min Jhon, Dae-Kwang Kim, Jin-Hyun Park, Yeongmin Kim, MyeongGyun Jang, Jae-Min Kim, Ju-Wan Kim, Hwamin Lee. (2026). Evaluating Large Language Model-Derived Outputs as Psychological Measures: A Five-Domain Psychometric Framework With Application to Daily Stress.. Journal of medical Internet research. DOI: 10.2196/102768

Consulta la pubblicazione originale ↗