Computational speech markers of negative symptoms show evidence of being robust to antipsychotic dose and extrapyramidal symptoms in schizophrenia
Notice bibliographique
Résumé
There is increasing interest in using computational speech and language analysis for the objective assessment of symptom severity in schizophrenia spectrum disorders (SSD), including negative symptom severity. However, the extent to which antipsychotic side effects influence speech markers of negative symptoms is unclear. This study investigated associations between computational speech and negative symptom severity, and examined whether speech features are associated with antipsychotic dose and extrapyramidal symptoms (EPS). Sixty-seven participants with SSD completed speech-focused tasks and clinical assessment. Seventeen speech features capturing relevant acoustic, timing, and linguistic characteristics were extracted from participant responses and examined for associations with negative symptoms, EPS, and antipsychotic dose. Eight timing features and one linguistic feature were significantly correlated with negative symptom severity (p < .05, false-discovery-rate-corrected; FDR), and these relationships were specific to negative symptoms rather than overall psychiatric symptom severity. No features were significantly correlated with antipsychotic dose or EPS after FDR correction, and Bayesian analyses provided moderate evidence for the null hypothesis (i.e., absence of an association) for most features. Two features showed Bayesian evidence for the alternative hypothesis, however; the association between speech and negative symptoms remained significant after removing the clinical covariate effects. The results provide support for computational speech markers of negative symptom severity, and both frequentist and Bayesian evidence that these speech markers are generally not confounded by antipsychotic side effects. The results help advance the clinical validation of computational speech assessment and analysis for measuring negative symptom severity in SSD.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».