Leveraging natural language processing to enhance feedback-informed group therapy: A proof of concept.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Group therapy has evolved as a powerful therapeutic approach, facilitating mutual support, interpersonal learning, and personal growth among members. However, the complexity of studying communication dynamics, emotional expressions, and group interactions between multiple members and often coleaders is a frequent barrier to advancing group therapy research and practice. Fortunately, advances in machine learning technologies, for example, natural language processing (NLP), make it possible to study these complex verbal and behavioral interactions within a small group. Additionally, these technologies may serve to provide leaders and members with important and actionable feedback about group therapy sessions, possibly enhancing the utility of feedback-informed care in group therapy. As such, this study sought to provide a proof of concept for applying NLP technologies to automatically assess alliance ratings from participant utterances in two community-based online support groups for weight stigma. We compared traditional machine learning approaches with advanced transformer-based language models, including variants pretrained on mental health and psychotherapy data. Results indicated that several models detected relationships between participant utterances and alliance, with the best performing model achieving an area under the receiver operating characteristic curve of 0.654. Logistic regression analysis identified specific utterances associated with high and low alliance ratings, providing interpretable insights into group dynamics. While acknowledging limitations such as small sample size and the specific context of weight stigma groups, this study provides insights into the potential of NLP in augmenting feedback-informed group therapy. Implications for real-time process monitoring and future directions for enhancing model performance in diverse group therapy settings are discussed. (PsycInfo Database Record (c) 2025 APA, all rights reserved).
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle