NLP-Driven Identification of Communication Deficits Predicting Therapy Dropout in Couples
Notice bibliographique
Résumé
This study aimed to determine whether natural language patterns extracted from early couple therapy sessions can accurately predict premature therapy dropout. The study used a mixed quantitative–qualitative design involving 148 couples from Canada who participated in community, private, and university-based couple therapy settings. High-quality audio recordings of the first two therapy sessions were transcribed and preprocessed using advanced natural language processing techniques, including tokenization, lemmatization, turn-level segmentation, and affective, syntactic, and semantic feature extraction via transformer-based models. Communication variables such as emotional disengagement, interruption frequency, partner-focused pronoun use, and demand–withdraw sequences were quantified. Machine-learning models—logistic regression, random forest, gradient boosting, Bi-LSTM networks, and transformer architectures—were trained to predict dropout, defined as termination prior to session four without therapist-approved discontinuation. Model performance metrics included accuracy, precision, recall, F1 score, and ROC-AUC. SHAP values were used to interpret model-level decision patterns. Reflexive thematic analysis of therapist notes complemented quantitative findings to contextualize communication deficits. Inferential analyses revealed significant differences between dropout and treatment-completion groups across multiple linguistic variables, including higher negative affect, lower partner-focused pronouns, greater interruption frequency, and elevated demand–withdraw cycles among dropout couples (all p < .001). Transformer-based models achieved the strongest predictive accuracy (92%) and highest ROC-AUC (0.96), outperforming all traditional and neural baselines. SHAP interpretability demonstrated that emotional disengagement markers, interruption frequency, topic abruptions, and conversational asymmetry were the most influential predictors of dropout. Communication reciprocity declined over time in dropout couples, whereas it increased in treatment completers. Early-session communication deficits captured through natural language processing serve as powerful predictors of premature dropout in couple therapy. Incorporating automated linguistic assessment tools into routine clinical practice may enable earlier identification of at-risk couples and support targeted intervention strategies to reduce attrition.
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 | 0,013 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».