Araştırmacılar, depresyon tespiti için geleneksel ses analizi yöntemlerinin ötesine geçerek, entropi tabanlı yeni bir yaklaşım geliştirdi. DAIC-WOZ korpusundaki 142 katılımcının ses kayıtları üzerinde yapılan çalışmada, konuşma dinamiklerinin zamana bağlı değişimlerini analiz eden entropi biyobelirteçleri, depresyon tespitinde %64,6 doğruluk oranına ulaştı. Bu yöntem, statik ses özelliklerini kullanan geleneksel yöntemlerin %59,3'lük performansını önemli ölçüde geride bıraktı. Shannon entropisi, fraktal karmaşıklık ve tekrarlama niceleme gibi matematiksel araçlarla ses kalıplarındaki düzensizlikleri ölçen bu yaklaşım, depresyonun erken teşhisinde yeni umutlar vaat ediyor.

Araştırmacılar, yapay zeka dil modellerinde kritik bir sıkıştırma sorununu çözdü. W4A4 niceleme adı verilen bu teknik, modelleri küçültürken performanslarını korumayı amaçlıyor ancak şimdiye kadar büyük doğruluk kayıplarına neden oluyordu. Stanford'dan araştırmacılar, SwiGLU mimarisine sahip 300 milyon parametreli bir modelde yaptıkları çalışmada, 'Depth Registers' adını verdikleri yeni bir yöntem geliştirdi. Bu teknik sayesinde, standart W4A4 sıkıştırma yönteminin neden olduğu performans kaybını 14 kata kadar azaltmayı başardılar. Model sıkıştırma, özellikle mobil cihazlarda ve sınırlı kaynaklara sahip sistemlerde yapay zeka uygulamalarını yaygınlaştırmak için kritik önem taşıyor.