Deciphering the Mosaic of Therapeutic Potential: A Scoping Review of Neural Network Applications in Psychotherapy Enhancements
Notice bibliographique
Résumé
Background: Psychotherapy is a component of the therapeutic options accessible in mental health. Along with psychotherapy techniques and indications, there is a body of studies on what are known as psychotherapy’s common factors. However, up to 40% of patients do not respond to therapy. Artificial intelligence approaches are hoped to enhance this and with the growing body of evidence of the use of neural networks (NNs) in other areas of medicine, this domain is lacking in the field of psychotherapy. This study aims to identify the different uses of NNs in the field of psychotherapy. Methods: A scoping review was conducted in the electronic databases EMBASE, MEDLINE, APA, and CINAHL. The Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) statement influenced this study’s design. Studies were included if they applied a neural network algorithm in the context of a psychotherapeutic approach. Results: A total of 157 studies were screened for eligibility, of which 32 were fully assessed. Finally, eight articles were analyzed, and three uses were identified: predicting the therapeutic outcomes, content analysis, and automated categorization of psychotherapeutic interactions. Conclusions: Uses of NNs were identified with limited evidence of their effects. The potential implications of these uses could assist the therapist in providing a more personalized therapeutic approach to their patients. Given the paucity of literature, this study provides a path for future research to better understand the efficacy of such uses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,021 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».