| dc.description.abstract | Mental health prevention and support professionals must routinely recognise and respond
to discourse expressing psychological distress, yet training resources built on authentic crisis
narratives raise serious privacy concerns and are difficult to produce at scale. This thesis
examines whether open-source, offline-deployable language models constitute a viable
foundation for generating synthetic texts that realistically simulate psychological distress at
controlled severity levels, offering a privacy-preserving alternative for professional training,
detection-system evaluation, and awareness-raising.
To this end, the theoretical and methodological foundations underlying such a system are
established. This covers the Transformer architecture and the pre-training paradigm of large
language models, the main families of parameter-efficient fine-tuning techniques (notably
LoRA), and the principal approaches to controlled text generation, including control-code
conditioning, post-hoc steering, discriminator-guided generation, and prefix-tuning. The
intersection of natural language processing with mental health research is then reviewed,
covering text classification for depression and suicide-risk assessment, domain-specific text
embeddings, psychometric instruments such as the PHQ-9 and BDI-II, and the ethical considerations
inherent to this line of research.
A structured literature review is conducted across eight thematic axes: fundamental methods
for controlled text generation, existing systems for simulating psychological distress
with LLMs, specialized language models for mental health, adaptation strategies for local
deployment, offline deployment and confidentiality constraints, reference datasets and benchmarks,
evaluation methodologies, and ethical considerations. This review situates the target
problem, severity-controlled distress text generation using exclusively open-source, offlinedeployable
tools, against the current state of the art, and identifies the gaps that motivate a
concrete implementation of such a system.
Taken together, this work establishes the conceptual groundwork and a critical synthesis
of prior art needed to inform the design of a severity-conditioned distress text generation
pipeline, while surfacing the methodological choices, open questions, and ethical safeguards
that any such implementation must address.***
Les professionnels de la prévention et de l’accompagnement en santé mentale doivent régulièrement
reconnaître et répondre à des discours de détresse psychologique, mais les formations
basées sur des récits de crise authentiques posent de sérieux problèmes de confidentialité
et sont difficiles à produire à grande échelle. Ce mémoire examine si des modèles de
langage open-source, déployables hors ligne, constituent un socle viable pour générer des
textes synthétiques simulant de manière réaliste la détresse psychologique à des niveaux de
sévérité contrôlés, offrant une alternative respectueuse de la confidentialité pour la formation,
l’évaluation de systèmes de détection et la sensibilisation.
À cette fin, les fondements théoriques et méthodologiques sous-tendant un tel système
sont établis. Cela couvre l’architecture Transformer et le paradigme de pré-entraînement
des grands modèles de langage, les principales familles de techniques d’affinage paramétriquement
efficace (notamment LoRA), ainsi que les principales approches de génération de
texte contrôlée, incluant le conditionnement par codes de contrôle, le pilotage post-hoc, la
génération guidée par discriminateur, et l’affinage de préfixes. L’intersection du traitement
automatique du langage naturel et de la recherche en santé mentale est ensuite passée en
revue, couvrant la classification de texte pour la détection de la dépression et l’évaluation du
risque suicidaire, les représentations vectorielles de texte spécifiques au domaine, les instruments
psychométriques tels que le PHQ-9 et le BDI-II, ainsi que les considérations éthiques
inhérentes à ce champ de recherche.
Une revue de littérature structurée est menée selon huit axes thématiques : les méthodes
fondamentales de génération de texte contrôlée, les systèmes existants de simulation de détresse
psychologique par LLM, les modèles de langage spécialisés pour la santé mentale, les
stratégies d’adaptation pour un déploiement local, les contraintes de déploiement hors ligne
et de confidentialité, les jeux de données et benchmarks de référence, les méthodologies
d’évaluation, et les considérations éthiques. Cette revue situe le problème ciblé, la génération
de textes de détresse contrôlés en sévérité à l’aide d’outils exclusivement open-source et
déployables hors ligne, par rapport à l’état de l’art actuel, et identifie les lacunes qui justifient
la mise en uvre concrète d’un tel système.
Dans son ensemble, ce travail établit le socle conceptuel et une synthèse critique des travaux
antérieurs nécessaires pour éclairer la conception d’un pipeline de génération de textes
de détresse conditionnée par la sévérité, tout en mettant en lumière les choix méthodologiques,
les questions ouvertes et les garde-fous éthiques que toute mise en uvre de ce type
doit prendre en compte. | en_US |
