Neues Datenset: LLMs für mentale Gesundheit mit Wearable‑Daten

In der Welt der großen Sprachmodelle (LLMs) gewinnt die Funktion „Function Calling“ immer mehr an Bedeutung, weil sie strukturierte und kontrollierbare Interaktionen mit externen Datenquellen ermöglicht. Bisher fehlte jedoch ein spezielles Datenset, das den Zugriff auf Wearable‑Sensoren im Kontext der psychischen Gesundheit abbildet.

Die neue Studie stellt ein synthetisches Datenset vor, das genau diese Lücke schließt. Es verbindet natürliche Sprachabfragen mit standardisierten API‑Aufrufen, die auf einem weit verbreiteten Gesundheitsdatenschema basieren. Dabei werden Signale wie Schlaf, körperliche Aktivität, Herzfrequenz, Stressindikatoren und metabolische Messwerte berücksichtigt.

Jeder Eintrag im Datenset enthält eine Nutzerfrage, eine zugehörige Kategorie, einen expliziten Begründungsschritt, einen normalisierten Zeitparameter und die Ziel‑Funktion. Diese Struktur ermöglicht es, die Intention der Nutzer exakt zu erfassen und die passende API‑Methode zuverlässig aufzurufen.

Das Datenset deckt ein breites Spektrum an Ausdrucksweisen ab – von expliziten und impliziten Formulierungen über Verhaltens‑ und Symptom‑Basiertes bis hin zu metaphorischen Beschreibungen. So spiegelt es realistische Interaktionen im Bereich der mentalen Gesundheit wider.

Durch die Veröffentlichung dieses Ressourcenmaterials wird die Forschung zu Intent‑Grounding, Zeit‑Reasoning und zuverlässiger Funktionsausführung in LLM‑basierten Gesundheitsagenten vorangetrieben. Die offene Verfügbarkeit fördert Reproduzierbarkeit und regt zukünftige Arbeiten an.