[论文解读] TherapyView: Visualizing Therapy Sessions with Temporal Topic Modeling and AI-Generated Arts

Baihan Lin, Stefan Zecevic+2 more|arXiv (Cornell University)|Feb 21, 2023

Digital Mental Health InterventionsPsychology被引用 3

一句话总结

TherapyView 是一种新颖的可视化系统，结合时间主题建模与AI生成艺术，以逐轮分辨率呈现心理治疗会话的动态。该系统利用神经主题模型——特别是嵌入主题模型（ETM）——从会话文本中提取可解释的时间解析主题得分，同时通过 DALL-E 生成视觉摘要，使治疗师能够识别模式并优化治疗策略。

ABSTRACT

We present the TherapyView, a demonstration system to help therapists visualize the dynamic contents of past treatment sessions, enabled by the state-of-the-art neural topic modeling techniques to analyze the topical tendencies of various psychiatric conditions and deep learning-based image generation engine to provide a visual summary. The system incorporates temporal modeling to provide a time-series representation of topic similarities at a turn-level resolution and AI-generated artworks given the dialogue segments to provide a concise representations of the contents covered in the session, offering interpretable insights for therapists to optimize their strategies and enhance the effectiveness of psychotherapy. This system provides a proof of concept of AI-augmented therapy tools with e in-depth understanding of the patient's mental state and enabling more effective treatment.

研究动机与目标

• 开发一种可视化系统，使治疗师能够利用自然语言处理与人工智能，解读精神疾病在治疗会话中的动态演变过程。
• 评估最先进神经主题模型在捕捉心理治疗文本中主题趋势方面的有效性。
• 整合通过 DALL-E 生成的AI视觉摘要，以增强可解释性，并为会话主题提供直观的视觉表达。
• 创建一个交互式、基于网络的仪表板，支持对主题演变与患者状态轨迹的实时探索。
• 探索在临床决策支持与AI增强治疗中使用逐轮主题建模的可行性。

提出的方法

• 将神经主题模型（特别是 ETM）应用于心理治疗会话文本，从患者-治疗师对话轮次中学习加权主题表征。
• 使用 Word2Vec 嵌入计算主题向量与轮次级话语之间的余弦相似度，实现轮次级主题评分。
• 采用时间主题建模（TTM）生成跨对话轮次的主题相似度时间序列表示。
• 整合 DALL-E，从会话段落级对话摘要生成AI生成的艺术作品，为会话主题提供视觉隐喻。
• 使用 React 前端与基于 Python 的 Jupyter 笔记本 API 构建网络仪表板，实现实时数据查询与交互式可视化。
• 使用 Jupyter Kernel Gateway 将笔记本单元暴露为 API 端点，支持快速原型设计与迭代模型开发。

实验结果

研究问题

• RQ1 最先进神经主题模型在捕捉心理治疗文本中主题连贯性与多样性方面的表现如何？
• RQ2 在轮次级别的时间主题建模能否揭示精神疾病进展中的临床有意义模式？
• RQ3 从对话片段生成的AI艺术在多大程度上能提供可解释且有意义的视觉摘要，以反映治疗会话内容？
• RQ4 时间主题建模与视觉生成的整合在多大程度上提升了治疗师对临床实践的理解与决策能力？
• RQ5 在真实心理健康场景中部署AI生成可视化时，面临哪些实际与伦理挑战？

主要发现

• 嵌入主题模型（ETM）在主题连贯性与多样性方面表现最佳，其主题连贯性得分分别为：精神分裂症 0.973，抑郁 0.933，焦虑 0.893。
• ETM 在主题连贯性与对数似然值方面均优于其他模型，其对数似然值为 -310.211（精神分裂症），表明模型拟合效果良好。
• 系统成功利用主题向量与话语向量之间余弦相似度生成轮次级主题得分，支持细粒度的时间分析。
• DALL-E 生成的AI图像为会话主题提供了新颖且具有解释性的视觉表达，但提示词长度受限（最大 1,000 个字符）。
• 部分与治疗相关的提示因安全过滤机制被 DALL-E 拒绝，凸显了在可视化敏感心理健康内容时存在的伦理与技术限制。
• 仪表板使治疗师能够更高效地识别模式与潜在问题，视觉提示有助于揭示患者对话中细微或被忽视的主题。