Sampling of natural speech for the assessment of psychopathology: data collection procedure and inter-rater reliability
Notice bibliographique
Résumé
OBJECTIVES: Recent research explores speech as a marker of psychiatric illness. Applications of speech analysis in clinical settings depend on reliable methods of speech data collection and processing, yet no standard exists thus far. We present a speech sampling and coding procedure developed to standardize methods across literature and facilitate assessment of psychiatric features through speech. METHODS: We developed a procedure to collect naturalistic speech samples from adults using emotionally-valenced prompting. Speech variables characterize features of illness that can aid in assessment of psychopathology. The samples are transcribed, segmented, and coded by human raters on variables indexing speaker, reference, emotions, and features of psychopathology. RESULTS: Samples from 200 adult participants were analyzed. The protocol elicited an average of 10 minutes of speech per assessment. Almost all participants provided 5 minutes or more of speech suitable for analysis. Human coders identified segment-level sentiment, reference, and emotions with high inter-rater reliability (ICC 0.60 to 0.79), but agreed less consistently on more complex features, such as worry and rumination (ICC 0.24 to 0.47). CONCLUSION: We present a speech collection and processing method that elicits speech samples from participants with a range of psychopathology, suitable for manual and computerized analysis with applications to clinical settings.
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 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 | 0,003 | 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) | 0,000 | 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 tête enseignante, 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 ».