[논문 리뷰] World Trade Center responders in their own words: Predicting PTSD symptom trajectories with AI-based language analyses of interviews

Youngseo Son, Sean Clouston외 5명|arXiv (Cornell University)|2020. 11. 12.

Mental Health via Writing참고 문헌 40인용 수 8

한 줄 요약

이 연구는 124명의 월드트레이드센터 대응자들에 대한 구술 역사 인터뷰를 인공지능 기반 언어 분석을 통해 사용하여, 최대 7년간의 PTSD 증상 경과를 예측한다. 연구 결과, 불안을 반영하는 언어는 향후 증상 악화를 예측하며, 1인칭 복수형 및 더 긴 단어 사용은 증상 개선을 예측한다. 이는 외상 노출 집단에서 정신건강 위험을 조기에 예측할 수 있는 인공지능의 잠재력을 보여준다.

ABSTRACT

Background: Oral histories from 9/11 responders to the World Trade Center (WTC) attacks provide rich narratives about distress and resilience. Artificial Intelligence (AI) models promise to detect psychopathology in natural language, but they have been evaluated primarily in non-clinical settings using social media. This study sought to test the ability of AI-based language assessments to predict PTSD symptom trajectories among responders. Methods: Participants were 124 responders whose health was monitored at the Stony Brook WTC Health and Wellness Program who completed oral history interviews about their initial WTC experiences. PTSD symptom severity was measured longitudinally using the PTSD Checklist (PCL) for up to 7 years post-interview. AI-based indicators were computed for depression, anxiety, neuroticism, and extraversion along with dictionary-based measures of linguistic and interpersonal style. Linear regression and multilevel models estimated associations of AI indicators with concurrent and subsequent PTSD symptom severity (significance adjusted by false discovery rate). Results: Cross-sectionally, greater depressive language (beta=0.32; p=0.043) and first-person singular usage (beta=0.31; p=0.044) were associated with increased symptom severity. Longitudinally, anxious language predicted future worsening in PCL scores (beta=0.31; p=0.031), whereas first-person plural usage (beta=-0.37; p=0.007) and longer words usage (beta=-0.36; p=0.007) predicted improvement. Conclusions: This is the first study to demonstrate the value of AI in understanding PTSD in a vulnerable population. Future studies should extend this application to other trauma exposures and to other demographic groups, especially under-represented minorities.

연구 동기 및 목표

• 외상 노출된 취약 집단에서 AI 기반 언어 분석의 예측 능력을 평가하기 위해.
• 구술 기록에서 유도된 언어적 특징이 PTSD 심각도의 종단적 변화를 예측할 수 있는지 평가하기 위해.
• 정신건강 분야에서 인공지능 응용을 소셜 미디어를 넘어 임상적 외상 노출 집단으로 확장하기 위해.
• 1인칭 서술에서 회복력 또는 증상 진행과 관련된 특정 언어적 지표를 규명하기 위해.

제안 방법

• 9/11 경험에 관해 124명의 월드트레이드센터 대응자들로부터 구술 역사 인터뷰를 수집하였다.
• 인공지능 기반 자연어 처리를 적용하여 우울, 불안, 신경질성, 외향성 및 언어 스타일 지표를 추출하였다.
• 선형 및 다수준 회귀 모델을 사용하여 AI 기반 언어 특징을 동시 및 향후 PTSD 체크리스트(PCL) 점수와 연관시켰다.
• 통계적 검정에서 다중 비교를 제어하기 위해 가짜 발견률 보정을 적용하였다.
• 동시적 연관성(동일 시점)과 종단적 연관성(향후 결과)을 모두 분석하였다.
• 사전 사전 정의된 어휘집 기반 및 기계학습 기반 접근법을 사용하여 주로 대명사 사용 및 단어 길이와 같은 언어 패턴을 정량화하였다.

실험 결과

연구 질문

• RQ1 1인칭 서술의 AI 기반 언어 분석은 월드트레이드센터 대응자들에서 향후 PTSD 증상 심각도를 예측할 수 있는가?
• RQ2 감정적 어조, 대명사 사용, 또는 단어 길이와 같은 언어적 특징 중에서 어떤 것이 PTSD 경과에 가장 예측력이 있는가?
• RQ3 내재화 증상 지표(예: 불안, 우울)는 시간이 지남에 따라 PTSD 악화와 관련이 있는가?
• RQ4 사회적 유대감 지표(예: 1인칭 복수형) 또는 인지적 복잡성 지표(예: 더 긴 단어)는 증상 개선과 관련이 있는가?
• RQ5 임상적 서술 기반으로 학습된 AI 모델은 외상 노출 집단에서 전통적 방법보다 PTSD 결과를 더 잘 예측할 수 있는가?

주요 결과

• 더 심한 우울 언어는 동시적 PTSD 증상 심각도와 유의미하게 관련이 있었다 (beta = 0.32, p = 0.043).
• 1인칭 단수 대명사 사용 증가가 동시적 PTSD 증상 증가와 관련이 있었다 (beta = 0.31, p = 0.044).
• 불안 언어는 종단적 분석에서 향후 PCL 점수 악화를 예측하였다 (beta = 0.31, p = 0.031).
• 1인칭 복수형 사용은 시간이 지남에 따라 증상 개선과 관련이 있었다 (beta = -0.37, p = 0.007).
• 더 긴 단어 사용 역시 증상 개선을 예측하였다 (beta = -0.36, p = 0.007).
• 이 연구는 AI 기반 언어 분석이 임상적 외상 노출 집단에서 PTSD 경과를 예측할 수 있음을 입증하였으며, 소셜 미디어 응용을 넘어서는 가능성을 보여준다.