[論文レビュー] Natural Language Processing for Mental Health: Large Scale Discourse Analysis of Counseling Conversations.

Tim Althoff, Kevin B. Clark+1 more|arXiv (Cornell University)|May 14, 2016

Mental Health via Writing参考文献 31被引用数 5

ひとこと要約

本稿は、系列モデル、言語モデルの比較、メッセージクラスタリング、心理言語的語頻度分析を用いて、テキストメッセージによるカウンセリング対話のスケールの大きな計算的ディス course 分析を提案する。これにより、より良い治療的成果と関連する言語的パターンを同定した。その結果、精神的健康の成果を著しく向上させる行動可能な会話戦略が明らかになった。

ABSTRACT

Mental illness is one of the most pressing public health issues of our time. While counseling and psychotherapy can be effective treatments, our knowledge about how to conduct successful counseling conversations has been limited due to lack of large-scale data with labeled outcomes of the conversations. In this paper, we present a large-scale, quantitative study on the discourse of text-message-based counseling conversations. We develop a set of novel computational discourse analysis methods to measure how various linguistic aspects of conversations are correlated with conversation outcomes. Applying techniques such as sequence-based conversation models, language model comparisons, message clustering, and psycholinguistics-inspired word frequency analyses, we discover actionable conversation strategies that are associated with better conversation outcomes.

研究の動機と目的

• カウンセリング研究における大規模で結果ラベル付きデータの不足に応えるために、現実世界のテキストメッセージ療法対話の分析を行う。
• 成功したカウンセリング結果と関連する言語的特徴およびディス course パターンを同定する。
• 言語使用と治療的効果の関係を定量化するための、新しい計算的ディス course 分析手法を開発・適用する。
• 言語分析を通じて、精神的健康カウンセリングを改善するための行動可能な、データ駆動型戦略を生成する。

提案手法

• 会話の時間的流れと構造を分析するため、系列に基づく会話モデルを採用する。
• 言語モデルの多様な比較を通じて、言語の複雑さやスタイルが会話の結果にどのように関連するかを評価する。
• 類似した会話的やり取りをグループ化し、繰り返し現れるディス course パターンを同定するため、メッセージクラスタリング技術を適用する。
• 心理言語学的インスピレーションを受けて語の頻度分析を実施し、感情的・認知的に重要な言語的マーカーを特定する。
• これらの手法を統合し、特定の言語的特徴とラベル付き治療的成果との相関を測定する。

実験結果

リサーチクエスチョン

• RQ1 テキストベースのカウンセリング対話におけるどの言語的特徴が、肯定的な治療的成果と最も強く関連しているか？
• RQ2 メッセージの順序付けやトピッククラスタリングなどのディス course パターンは、治療効果とどのように関連しているか？
• RQ3 心理言語的語頻度は、会話の成功をどの程度まで予測できるか？
• RQ4 計算モデルは、スケールにわたって治療成果を改善するための行動可能な戦略を同定できるか？

主な発見

• 認知再構成の言語や共感的反応のシーケンスの増加といった、特定の言語的パターンが、一貫して良好な結果と関連していた。
• メッセージクラスタリングの整合性が高かった会話では、より強い良好な結果との関連が見られた。これは、構造的質が重要であることを示している。
• 言語モデルの比較から、感情的・認知的トーンを捉えるモデルが、汎用モデルよりも治療結果の予測に優れていることが明らかになった。
• 語の頻度分析により、自己指向的語および感情調節用語の頻度が高いことが、治療の進行を強く示す指標であることが同定された。