[论文解读] 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 5

一句话总结

本文对大规模的短信心理咨询对话进行了计算话语分析，采用序列建模、语言模型对比、消息聚类及心理语言学词汇频率分析等方法，识别出与更好治疗结果相关的语言模式。研究揭示了可操作的对话策略，这些策略与显著改善的心理健康结果密切相关。

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.

研究动机与目标

• 通过分析现实世界中的短信心理咨询对话，解决心理咨询研究中缺乏大规模、结果标注数据的问题。
• 识别与成功心理咨询结果相关的语言特征和话语模式。
• 开发并应用新颖的计算话语分析方法，量化语言使用与治疗效果之间的关系。
• 通过语言分析生成可操作的、数据驱动的策略，以提升心理健康咨询质量。

提出的方法

• 采用基于序列的对话模型，分析心理咨询对话的时间流动与结构。
• 对比多种语言模型，评估语言复杂度与风格如何影响对话结果。
• 应用消息聚类技术，对相似的对话交流进行分组，识别重复出现的话语模式。
• 开展受心理语言学启发的词汇频率分析，检测情绪和认知相关的重要语言标记。
• 整合上述方法，测量特定语言特征与标注的治疗结果之间的相关性。

实验结果

研究问题

• RQ1 在基于文本的心理咨询对话中，哪些语言特征与积极治疗结果关联最强？
• RQ2 话语模式（如消息排序与主题聚类）如何与治疗效果相关联？
• RQ3 心理语言学术语频率在多大程度上可预测对话成功？
• RQ4 计算模型能否在大规模范围内识别出可改进咨询结果的可操作策略？

主要发现

• 特定语言模式（如认知重构语言使用增加、共情回应序列增强）与更好结果保持一致。
• 消息聚类一致性更高的对话与更积极结果的关联更强，表明对话结构质量具有重要意义。
• 语言模型对比结果表明，能够捕捉情绪与认知基调的模型比通用模型更能有效预测结果。
• 词汇频率分析识别出自我指涉性词汇与情绪调节术语的高频使用，是治疗进展的强有力指标。