AI‑Driven transcription and analysis in psychotherapy, psychology and psychiatry

Transkrypcja rozmów pacjent–terapeuta, czyli przekształcenie mowy na tekst, staje się kluczowym narzędziem w psychiatrii, psychologii i psychoterapii.

Rozwój technologii ASR (Automatic Speech Recognition) umożliwia szybkie tworzenie dokładnych transkryptów, co wspiera diagnozę, analizę sesji oraz monitorowanie efektów terapii. W artykule prezentujemy, w jaki sposób transkrypcja zwiększa precyzję diagnozy, poprawia jakość terapii i umożliwia skuteczne śledzenie zmian terapeutycznych na przestrzeni czasu.

Transkrypcja jako wsparcie diagnostyki

Transkrypcja rozmów diagnostycznych pozwala na wierne i szczegółowe utrwalenie treści sesji, doznań emocjonalnych pacjenta oraz subtelnych aspektów mowy, takich jak ton głosu czy pauzy, co jest niezwykle istotne dla dokładnego poznania obrazu klinicznego. Możliwość wielokrotnego odtwarzania i porównywania tej samej rozmowy w formie tekstowej ułatwia weryfikację hipotez diagnostycznych i obserwację postępów pacjenta podczas wieloaspektowej terapii. W badaniu Miner i współpracowników (2020) system ASR działający w zgodzie z normami HIPAA uzyskał współczynnik błędu słów (WER) na poziomie około 25%, a w kontekście utrwalania symptomów depresyjnych – aż 80% czułości rozpoznawania, co świadczy o realnym potencjale użycia tej technologii w diagnostyce psychologicznej i psychiatrycznej (Miner et al., 2020).

Choć wskaźnik błędów słów wymaga jeszcze poprawy, jego poziom pokazuje, że transkrypcja wspiera rzetelną analizę języka pacjenta i może stanowić wartościowe narzędzie wspomagające refleksję kliniczną, ułatwiając identyfikację kluczowych objawów i zagadnień emocjonalnych.

Poprawa jakości terapii

Transkrypcja sesji terapeutycznych umożliwia szczegółową analizę kompetencji terapeuty – od identyfikacji kluczowych momentów, takich jak przełomowe pytania, po wykrycie subtelnych błędów interwencji. Dzięki automatyzacji można szybko uzyskać pełen zapis sesji do oceny umiejętności komunikacyjnych i jakości relacji.

Badania Flemotomosa i współpracowników (2022) pokazują, że narzędzia oparte na AI skutecznie modelują dynamikę sesji terapeutycznej – analizując proporcje czasu mówienia terapeuty i pacjenta, typy zadawanych pytań oraz poziom wyrażanej empatii. Na bazie tych danych generowane są wskaźniki jakości interwencji, wspierając zarówno proces szkoleniowy, jak i superwizyjny (Flemotomos et al., 2022) .

Podobnie, wcześniejsze badanie Flemotomosa et al. (2021) dowodziło skuteczności technologii BERT w terapii poznawczo‑behawioralnej (CBT). Model trenowany na ponad 1 100 transkryptach sesji CBT osiągnął F1 ≈ 0,73 przy klasyfikacji różnicującej sesje wysokiej i niskiej jakości według Cognitive Therapy Rating Scale (CTRS) .

Chen, Flemotomos i inni w 2021 r. rozwinęli te koncepcje, tworząc hierarchiczny model BERT+LSTM pozwalający ocenić jakość sesji na poziomie segmentów rozmów – co umożliwia jeszcze bardziej precyzyjną identyfikację lokalnych wzorców interwencji oraz luk terapeutycznych .

Warto również zwrócić uwagę na rosnące zainteresowanie multimodalną analizą nagrań. W badaniach (Ali et al., 2024) użyto model Gemini 1.5, wykorzystujący zarówno dane audio, jak i tekstowe. Osiągnął F1 = 0,68 i zrównoważoną dokładność (balanced accuracy)  77% w klasyfikacji stanów takich jak depresja i PTSD bez specjalistycznej adaptacji, co potwierdza jego potencjał w diagnostyce i monitoringu postępów terapii Moonlight.

Z drugiej strony, popularny model Whisper (OpenAI), choć dobrze radzi sobie z wielojęzyczną transkrypcją, wykazuje zjawisko tzw. halucynacji – generowania treści, których pacjent nie wypowiedział. Źródła takie jak AP, Wired i CIO potwierdziły, że około 1%–40% transkrypcji może zawierać całkowicie wymyślone frazy, co w kontekście klinicznym stanowi znaczące zagrożenie dla rzetelności dokumentacji i jakości terapii (Koenecke, 2024).

Mimo tych ograniczeń, systemy ASR i AI stanowią silne wsparcie w edukacji terapeutycznej — umożliwiają feedback on-demand oraz superwizję poprzez analizę konkretnych fragmentów sesji. Automatyzacja analizy transkryptów eliminuje czasochłonne kodowanie ręczne, poprawiając efektywność, skalowalność i jakość szkoleń terapeutycznych, co przekłada się na lepsze wyniki kliniczne (Flemotomos et al., 2022) .

Monitorowanie postępów terapii

Porównywanie transkryptów z różnych etapów terapii umożliwia obiektywną ocenę zmian w narracji, poziomie ekspresji emocjonalnej i koherencji wypowiedzi. Narzędzia takie jak LLUNA osiągają wysoką zgodność oceny z ekspertami (κ = 0,74–0,89), co dowodzi skuteczności automatycznej analizy progresu narracyjnego. Dzięki takim technologiom możliwe jest wykrycie subtelnych zmian językowych, które mogą świadczyć o poprawie samopoczucia, integracji doświadczeń czy rozwoju zdolności mentalizacyjnych pacjenta.

Automatyzacja pozwala również na identyfikację tzw. momentów przełomowych (insight moments), czyli fragmentów sesji charakteryzujących się wyraźnym skokiem w rozumieniu, afekcie lub motywacji pacjenta. Zestawienie takich momentów na osi czasu umożliwia terapeucie wgląd w dynamikę procesu i skuteczność stosowanych technik.

Dzięki możliwościom przechowywania i porównywania transkryptów, terapeuci zyskują dostęp do spójnej dokumentacji, która umożliwia wykrycie nawrotów objawów, stagnacji w procesie terapeutycznym lub nagłych regresji, co jest szczególnie istotne w pracy z pacjentami z zaburzeniami afektywnymi lub osobowościowymi (Flemotomos et al., 2022).

Standaryzacja i transparentność pracy klinicznej

Transkrypcje sesji psychoterapeutycznych znacząco przyczyniają się do ujednolicenia dokumentacji klinicznej. Ich obecność umożliwia stworzenie powtarzalnych protokołów, które wspierają interdyscyplinarne zespoły terapeutyczne, ułatwiają audyty jakości i zwiększają transparentność pracy terapeuty.

Już w latach 90. Mergenthaler i Stinson (1992) podkreślali znaczenie standardów transkrypcyjnych dla zapewnienia spójności w analizie sesji. Obecnie, dzięki rozwojowi NLP i uczenia maszynowego, możliwe jest wykorzystanie zaawansowanych modeli (np. BERT) do automatycznej oceny jakości interwencji terapeutycznych — jak pokazuje model Chen et al. (2021), który osiągnął F1 ≈ 0,73 przy ocenie sesji CBT według skali CTRS.

Standaryzowane transkrypcje pozwalają również na porównanie efektywności różnych nurtów terapeutycznych i ich zgodności z przyjętymi wytycznymi. Zastosowanie analizy ilościowej (np. częstotliwość reflektowania uczuć, proporcje czasu mówienia) pozwala nie tylko na ocenę poszczególnych terapeutów, ale również całych ośrodków terapeutycznych. Może to stanowić fundament do wprowadzenia systemów jakości opartych na danych empirycznych, a także argumenty dla instytucji finansujących opiekę psychologiczną.

W kontekście kształcenia, jednolite standardy transkrypcyjne zwiększają trafność i rzetelność superwizji. Studenci i młodzi terapeuci mogą korzystać z zestandaryzowanych przypadków i porównań interwencji z rekomendowanymi technikami, co sprzyja rozwojowi kompetencji i etyki zawodowej (Flemotomos et al., 2022).

Wyzwania i ograniczenia

Pomimo wielu korzyści, wykorzystanie transkrypcji i technologii ASR w praktyce klinicznej napotyka na szereg istotnych ograniczeń. Jednym z kluczowych problemów pozostaje wskaźnik błędów słów (WER), który w zależności od modelu i warunków nagrania waha się między 25% a 34% (Miner et al., 2020). Tak wysoki poziom błędów może prowadzić do zniekształceń w analizie treści, szczególnie w przypadku pacjentów z zaburzeniami mowy, niską artykulacją lub korzystających z języka potocznego, dialektów czy slangu.

Równie problematyczne jest zjawisko tzw. „halucynacji” w transkrypcjach generowanych przez niektóre modele, np. Whisper (OpenAI). Tego rodzaju artefakty stanowią poważne zagrożenie w kontekście dokumentacji klinicznej, a w skrajnych przypadkach mogą prowadzić do błędnych decyzji diagnostycznych lub terapeutycznych.

Kolejnym wyzwaniem są kwestie etyczne i prawne. Każdorazowe użycie transkrypcji wymaga świadomej zgody pacjenta, zgodnej z wymogami RODO (w Unii Europejskiej) i HIPAA (w USA). Oznacza to konieczność zapewnienia pełnej anonimizacji danych, bezpiecznego przechowywania nagrań i transkryptów oraz wdrożenia procedur kontroli dostępu.

Warto również zaznaczyć, że nawet najlepsze modele AI nie zastępują interpretacji klinicznej. Automatyczne klasyfikatory mogą pomijać kontekst kulturowy, indywidualny styl wypowiedzi czy znaczenia przypisane przez pacjenta konkretnym słowom. Dlatego kluczowa pozostaje rola terapeuty w interpretacji wyników i zatwierdzaniu ich trafności (Chen et al., 2021).

Wnioski

Transkrypcja wspierana AI to wartościowe narzędzie diagnostyczne, terapeutyczne i badawcze. Umożliwia precyzyjniejszą diagnozę, skuteczniejszą terapię i monitoring zmian w czasie. Pomimo wyzwań technologicznych i etycznych, jej zastosowanie może znacząco podnieść jakość i bezpieczeństwo opieki psychicznej.

Bibliografia

Ali, A. A., Fouda, A. E., Hanafy, R. J., Fouda, M. E. (2024). Leveraging audio and text modalities in mental health: A study of LLMs performance. Arxiv.org
https://www.researchgate.net/publication/387104550_Leveraging_Audio_and_Text_Modalities_in_Mental_Health_A_Study_of_LLMs_Performance
https://arxiv.org/abs/2412.10417
Chen, Z., Flemotomos, N., Martinez, V. R., Creed, T. A., Atkins, D. C., & Narayanan, S. (2021). Automated quality assessment of CBT sessions through highly contextualized language representations. PLOS ONE, 16(10).
https://arxiv.org/abs/2102.11573
https://doi.org/10.1371/journal.pone.0258639
Flemotomos, N., Martinez, V. R., Chen, Z., Narayanan, S. (2022). Automated evaluation of psychotherapy skills using speech and language technologies. Behavior Research Methods, 54 (2), 690–711.
https://link.springer.com/article/10.3758/s13428-021-01623-4
https://doi.org/10.3758/s13428-021-01623-4
Koenecke, A., et al. (2024). Careless Whisper: Speech‑to‑text hallucination harms. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT '24). Association for Computing Machinery, New York, NY, USA, 1672–1681.
https://dl.acm.org/doi/10.1145/3630106.3658996
https://doi.org/10.1145/3630106.3658996
Mergenthaler, E., & Stinson, C. H. (1992). Psychotherapy transcription standards. Psychotherapy Research, 2(2), 125–142.
https://www.researchgate.net/publication/228096475_Psychotherapy_Transcription_Standards
https://doi.org/10.1080/10503309212331332904
Miner, A. S., Haque, A., Fries, J. A., Fleming, S. L., Wilfley, D. E., Wilson, G. T., … Shah, N. H. (2020). Assessing the accuracy of automatic speech recognition for psychotherapy. npj Digital Medicine, 3, 82.
https://www.nature.com/articles/s41746-020-0285-8
https://doi.org/10.1038/s41746-020-0285-8

Rola transkrypcji w podnoszeniu jakości diagnozy, terapii i monitoringu postępów