SentimentCareBot : Chatbot à génération augmentée par recherche pour le soutien en santé mentale avec intégration des sentiments

Nayinzira, Jean Pierre (2025). SentimentCareBot : Chatbot à génération augmentée par recherche pour le soutien en santé mentale avec intégration des sentiments. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 48 p.

PDF Télécharger (2MB) | Prévisualisation

Résumé

RÉSUMÉ : Le système mondial de soins de santé mentale fait face à divers défis en matière d'accessibilité et de disponibilité du soutien spécialisé, tels que les psychologues et les conseillers, notamment à la suite de la pandémie de COVID-19. Cette étude explore une solution potentielle à ce problème en développant un modèle de chatbot, SentimentCareBot, qui intègre l'analyse des sentiments avec des techniques de la génération augmentée de récupération (RAG) et des modèles de langage avancés (LLMs). L'étude utilise un ensemble de données publiques de « Mental Health Counseling Conversations » et des méthodes de sélection de bases telles que « Naive RAG », « Multi-query RAG » et « Hypothetical Document Embeddings » (HyDE) pour améliorer les traductions de requêtes. Les résultats du test de « Tukey's Honest Significant Difference » (HSD) révèlent une amélioration significative des performances de l'analyse des sentiments lorsqu'elle est appliquée au « Multi-query RAG » utilisant le modèle de langage MistralAI, comparé au « Multi-query RAG » utilisant le modèle de langage d'OpenAI et à HyDE utilisant OpenAI avec l'analyse des sentiments. Ces résultats démontrent le potentiel de l'analyse des sentiments pour améliorer l'efficacité des chatbots de santé mentale. -- Mot(s) clé(s) en français : Santé mentale ; Chatbot ; Génération augmentée de récupération ; Analyse des sentiments ; Modèles de langage avancés.
ABSTRACT : The global mental healthcare system faces various challenges in terms of accessibility and the availability of specialist support, such as psychologists and counselors, especially following the COVID-19 pandemic. This thesis explores a potential solution to this problem by developing a chatbot model, SentimentCareBot, which integrates sentiment analysis with Retrieved-Augmented Generation (RAG) techniques and large language models (LLMs). The study uses a public available Mental Health Counseling Conversations Dataset and baseline selection methods such as Naive RAG, Multi-query RAG, and Hypothetical Document Embeddings (HyDE) to improve query translations. The findings from Tukey's Honest Significant Difference (HSD) test reveals a significant improvement in sentiment analysis performance when it is applied to the Multi-query RAG using the MistralAI language model, compared to both Multi-query RAG using the OpenAI language model and HyDE using OpenAI with Sentiment Analysis. These results demonstrate the potential of sentiment analysis to enhance the effectiveness of mental health chatbots. -- Mot(s) clé(s) en anglais : Mental Health ; Chatbot ; Retrieval-Augmented Generation (RAG) ; Sentiment Analysis ; Large Language Models (LLMs). --
ABSTRACT : The global mental healthcare system faces various challenges in terms of accessibility and the availability of specialist support, such as psychologists and counselors, especially following the COVID-19 pandemic. This thesis explores a potential solution to this problem by developing a chatbot model, SentimentCareBot, which integrates sentiment analysis with Retrieved-Augmented Generation (RAG) techniques and large language models (LLMs). The study uses a public available Mental Health Counseling Conversations Dataset and baseline selection methods such as Naive RAG, Multi-query RAG, and Hypothetical Document Embeddings (HyDE) to improve query translations. The findings from Tukey's Honest Significant Difference (HSD) test reveals a significant improvement in sentiment analysis performance when it is applied to the Multi-query RAG using the MistralAI language model, compared to both Multi-query RAG using the OpenAI language model and HyDE using OpenAI with Sentiment Analysis. These results demonstrate the potential of sentiment analysis to enhance the effectiveness of mental health chatbots. -- Mot(s) clé(s) en anglais : Mental Health ; Chatbot ; Retrieval-Augmented Generation (RAG) ; Sentiment Analysis ; Large Language Models (LLMs).

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Adda, Mehdi
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en informatique en vue de l'obtention du grade de maître ès sciences (M. Sc.).
Mots-clés :	Analyse de sentiments (Intelligence artificielle); Agents conversationnels; Grands modèles de langage; Génération automatique de texte; Traitement automatique des langues naturelles; Santé mentale - Informatique; Intelligence artificielle - Applications en médecine; Chatbot; Modèles de langage avancés; LLM; Génération augmentée de récupération; RAG.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Informatique
Date de dépôt :	10 juin 2025 19:46
Dernière modification :	10 juin 2025 19:57
URI :	https://semaphore.uqar.ca/id/eprint/3309