Predicting Couple Therapy Outcomes Using Deep Neural Networks on Pre-Treatment Assessments
Notice bibliographique
Résumé
The objective of this study was to determine whether deep neural networks can accurately predict couple therapy outcomes using only pre-treatment psychological and relational assessments. This quantitative predictive study analyzed pre-treatment data from 176 Canadian couples seeking therapy for relational distress, communication difficulties, or emotional disconnection. Participants completed standardized intake measures including relationship satisfaction, communication patterns, emotional symptoms, attachment orientations, and dyadic demographic variables. All data were preprocessed, normalized, and transformed into dyadic-level and discrepancy-level features. A deep neural network was developed using TensorFlow/Keras, optimized via hyperparameter tuning, and evaluated against baseline machine-learning models. The dataset was split into training, validation, and test subsets using a couple-level 70/15/15 partition to preserve dyadic independence. The deep neural network demonstrated superior predictive accuracy compared to random forest, support vector regression, and linear regression models, achieving an R² of .71 on the test set. SHAP analyses revealed that relationship satisfaction, demand–withdraw patterns, attachment avoidance, partner stress discrepancy, and constructive communication were the strongest predictors of therapy outcomes. Inferential patterns indicated significant non-linear interactions between emotional symptoms and communication variables, with higher improvement predicted for couples displaying lower avoidance, greater baseline cohesion, and smaller dyadic emotional discrepancies. Predicted-versus-actual outcome comparisons showed strong convergence, with minimal dispersion around the diagonal line of fit. Deep neural networks offer a powerful method for predicting couple therapy outcomes using intake assessments, capturing the complex non-linear dynamics inherent in relational functioning. By identifying key pre-treatment predictors such as satisfaction, communication patterns, attachment profiles, and dyadic discrepancies, these models can support personalized treatment planning and enhance clinical decision-making. The findings underscore the promise of computational approaches in advancing precision-based psychological interventions for couples.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».