Cet article propose MAQuA, un cadre efficace d'évaluation de la santé mentale s'appuyant sur des modèles de langage à grande échelle (MLH). MAQuA dépiste simultanément les problèmes de santé mentale multidimensionnels et combine la modélisation de résultats multiples, la théorie de la réponse aux items (TRI) et l'analyse factorielle pour sélectionner les questions les plus informatives de chaque séquence. L'objectif est d'améliorer la précision du diagnostic et de réduire la charge de réponse. Les résultats expérimentaux montrent que MAQuA réduit le nombre de questions requises pour l'évaluation de 50 à 87 % par rapport aux séquences de questions aléatoires (par exemple, réduction de 71 % des scores de dépression et de 85 % des scores de troubles alimentaires). Il démontre une performance robuste pour les troubles internalisés (dépression, anxiété) et externalisés (toxicomanie, troubles alimentaires), et les stratégies d'arrêt précoce peuvent réduire davantage le temps et la charge de travail du patient. En conclusion, MAQuA favorise l'intégration des agents basés sur les LLM dans les flux de travail cliniques réels en tant qu'outil puissant et efficace pour un dépistage de la santé mentale évolutif, sophistiqué et interactif.
