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

Youngseo Son, Sean Clouston+5 more|arXiv (Cornell University)|Nov 12, 2020

Mental Health via Writing参考文献 40被引用 8

一句话总结

本研究对124名世界贸易中心应急响应人员的口述史访谈进行基于人工智能的语言分析，以预测其在长达7年内的创伤后应激障碍（PTSD）症状轨迹。研究发现，焦虑性语言可预测未来症状恶化，而第一人称复数代词和更长词汇的使用则与症状改善相关，表明人工智能在创伤暴露人群中早期预测心理健康风险方面具有潜力。

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.

研究动机与目标

• 评估基于人工智能的语言分析在脆弱的创伤暴露人群中的PTSD症状轨迹预测能力。
• 评估口述史中的语言特征是否可预测PTSD严重程度的纵向变化。
• 将人工智能在心理健康领域的应用从社交媒体扩展至临床创伤暴露人群。
• 识别与第一人称叙述中韧性或症状进展相关的特定语言标志。

提出的方法

• 收集了124名世界贸易中心应急响应人员关于其9/11经历的口述史访谈。
• 应用基于人工智能的自然语言处理技术，提取抑郁、焦虑、神经质、外向性及语言风格的指标。
• 使用线性与多层次回归模型，将人工智能提取的语言特征与同期及未来的PTSD检查表（PCL）评分相关联。
• 采用错误发现率校正方法，控制统计检验中的多重比较问题。
• 分析横断面关联（同一时间点）与纵向关联（未来结果）。
• 采用基于词典与机器学习的方法，量化代词使用与词汇长度等语言模式。

实验结果

研究问题

• RQ1 基于人工智能的语言分析能否预测世界贸易中心应急响应人员未来PTSD症状的严重程度？
• RQ2 哪些语言特征——如情绪基调、代词使用或词汇长度——对PTSD轨迹最具预测力？
• RQ3 内化症状指标（如焦虑、抑郁）是否与随时间推移的PTSD症状恶化相关？
• RQ4 社会联结标志（如第一人称复数代词）或认知复杂性标志（如更长词汇）是否与症状改善相关？
• RQ5 在创伤暴露人群中，基于临床叙述训练的人工智能模型能否优于传统方法预测PTSD结局？

主要发现

• 抑郁性语言程度越高，与同期PTSD症状严重程度显著正相关（beta = 0.32，p = 0.043）。
• 第一人称单数代词使用增加与更高同期PTSD症状相关（beta = 0.31，p = 0.044）。
• 焦虑性语言在纵向分析中可预测未来PCL评分恶化（beta = 0.31，p = 0.031）。
• 第一人称复数代词使用与随时间推移的症状改善相关（beta = -0.37，p = 0.007）。
• 更长词汇的使用也与症状改善相关（beta = -0.36，p = 0.007）。
• 本研究证明，基于人工智能的语言分析可有效预测临床创伤暴露人群的PTSD轨迹，其应用已超越社交媒体领域。