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

Транскрипція розмов пацієнт–терапевт, тобто перетворення мови на текст, стає ключовим інструментом у психіатрії, психології та психотерапії.

Розвиток технологій ASR (Автоматичне Розпізнавання Мови) дозволяє швидко створювати точні транскрипції, що підтримує діагностику, аналіз сеансів та моніторинг ефектів терапії. У статті ми презентуємо, як транскрипція підвищує точність діагностики, покращує якість терапії та дозволяє ефективно відстежувати зміни в терапії з часом.

Транскрипція як підтримка діагностики

Транскрипція діагностичних розмов дозволяє вірно та детально зафіксувати зміст сеансу, емоційні переживання пацієнта та тонкі аспекти мовлення, такі як тон голосу чи паузи, що є надзвичайно важливим для точного розуміння клінічної картини. Можливість багаторазового відтворення та порівняння тієї ж розмови у текстовій формі полегшує перевірку діагностичних гіпотез та спостереження за прогресом пацієнта під час багатогранної терапії. У дослідженні Мінера та співробітників (2020) система ASR, що працює відповідно до норм HIPAA, досягла коефіцієнта помилки слів (WER) на рівні близько 25%, а в контексті фіксації симптомів депресії – аж 80% чутливості розпізнавання, що свідчить про реальний потенціал використання цієї технології в психологічній та психіатричній діагностиці (Miner et al., 2020).

Хоча показник помилок слів потребує ще покращення, його рівень демонструє, що транскрипція підтримує достовірний аналіз мови пацієнта та може стати цінним інструментом для клінічної рефлексії, полегшуючи ідентифікацію ключових симптомів та емоційних питань.

Покращення якості терапії

Транскрипція терапевтичних сеансів дозволяє детальний аналіз компетенцій терапевта – від ідентифікації ключових моментів, таких як переломні запитання, до виявлення тонких помилок втручання. Завдяки автоматизації можна швидко отримати повний запис сеансу для оцінки комунікативних навичок та якості стосунків.

Дослідження Флемотомоса та співробітників (2022) показують, що інструменти на основі ШІ ефективно моделюють динаміку терапевтичного сеансу – аналізуючи пропорції часу мовлення терапевта та пацієнта, типи запитань та рівень вираженої емпатії. На основі цих даних генеруються показники якості втручень, підтримуючи як навчальний, так і супервізійний процеси (Flemotomos et al., 2022).

Аналогічно, попереднє дослідження Флемотомоса та ін. (2021) підтверджувало ефективність технології BERT у когнітивно-поведінковій терапії (CBT). Модель, натренована на понад 1 100 транскриптах сеансів CBT, досягла F1 ≈ 0,73 при класифікації сеансів високої та низької якості за Шкалою Оцінки Когнітивної Терапії (CTRS).

Чен, Флемотос та інші у 2021 році розвинули ці концепції, створивши ієрархічну модель BERT+LSTM, що дозволяє оцінити якість сеансу на рівні сегментів розмов – що дозволяє ще точніше ідентифікувати локальні патерни втручання та терапевтичні прогалини.

Варто також звернути увагу на зростаючий інтерес до мультимодального аналізу записів. У дослідженнях (Ali et al., 2024) використовувався модель Gemini 1.5, що використовує як аудіо, так і текстові дані. Вона досягла F1 = 0,68 та збалансованої точності 77% у класифікації станів, таких як депресія та ПТСР без спеціалізованої адаптації, що підтверджує її потенціал у діагностиці та моніторингу прогресу терапії Moonlight.

З іншого боку, популярна модель Whisper (OpenAI), хоча й добре справляється з багатомовною транскрипцією, демонструє явище так званих галюцинацій – генерації контенту, якого пацієнт не вимовляв. Джерела, такі як AP, Wired та CIO підтвердили, що близько 1%–40% транскрипцій можуть містити повністю вигадані фрази, що в клінічному контексті становить значну загрозу для достовірності документації та якості терапії (Koenecke, 2024).

Попри ці обмеження, системи ASR та ШІ є потужною підтримкою в терапевтичній освіті — вони забезпечують зворотний зв'язок за запитом та супервізію через аналіз конкретних фрагментів сеансів. Автоматизація аналізу транскрипцій усуває трудомістке ручне кодування, покращуючи ефективність, масштабованість та якість терапевтичних навчань, що призводить до кращих клінічних результатів (Flemotomos et al., 2022).

Моніторинг прогресу терапії

Порівняння транскрипцій з різних етапів терапії дозволяє об'єктивно оцінити зміни в наративі, рівні емоційної експресії та когерентності висловлювань. Інструменти, такі як LLUNA, досягають високої узгодженості оцінки з експертами (κ = 0,74–0,89), що доводить ефективність автоматичного аналізу прогресу наративу. Завдяки таким технологіям можливе виявлення тонких мовних змін, які можуть свідчити про покращення самопочуття, інтеграцію досвіду або розвиток здатностей до менталізації пацієнта.

Автоматизація також дозволяє ідентифікувати так звані моменти переломів (insight moments), тобто фрагменти сесії, що характеризуються помітним стрибком у розумінні, емоціях або мотивації пацієнта. Зіставлення таких моментів на часовій осі надає терапевту уявлення про динаміку процесу та ефективність застосованих технік.

Завдяки можливостям зберігання та порівняння транскрипцій, терапевти отримують доступ до узгодженої документації, яка дозволяє виявити рецидиви симптомів, стагнацію в терапевтичному процесі або різкі регресії, що є особливо важливим у роботі з пацієнтами з афективними або особистісними розладами (Flemotomos et al., 2022).

Стандартизація та прозорість клінічної роботи

Транскрипції психотерапевтичних сесій значно сприяють уніфікації клінічної документації. Їхня наявність дозволяє створювати повторювані протоколи, які підтримують міждисциплінарні терапевтичні команди, полегшують аудити якості та підвищують прозорість роботи терапевта.

Ще в 90-х роках Мергендальер і Стінсон (1992) підкреслювали важливість стандартів транскрипції для забезпечення узгодженості в аналізі сесій. Сьогодні, завдяки розвитку NLP та машинного навчання, можливо використовувати розвинені моделі (наприклад, BERT) для автоматичної оцінки якості терапевтичних втручань — як показує модель Чена та ін. (2021), яка досягла F1 ≈ 0,73 при оцінці сесій CBT за шкалою CTRS.

Стандартизовані транскрипції також дозволяють порівнювати ефективність різних терапевтичних напрямків і їх відповідність прийнятим рекомендаціям. Використання кількісного аналізу (наприклад, частота рефлексії почуттів, пропорції часу мовлення) дозволяє не лише оцінювати окремих терапевтів, але й цілі терапевтичні центри. Це може стати основою для впровадження систем якості на основі емпіричних даних, а також аргументами для установ, що фінансують психологічну допомогу.

У контексті навчання єдині стандарти транскрипції підвищують точність і надійність супервізії. Студенти та молоді терапевти можуть користуватися стандартизованими випадками та порівняннями втручань з рекомендованими техніками, що сприяє розвитку компетенцій та професійної етики (Flemotomos et al., 2022).

Виклики та обмеження

Незважаючи на численні переваги, використання транскрипцій та технологій ASR у клінічній практиці стикається з рядом суттєвих обмежень. Однією з ключових проблем залишається показник помилок слів (WER), який залежно від моделі та умов запису коливається між 25% та 34% (Miner et al., 2020). Такий високий рівень помилок може призводити до спотворень в аналізі змісту, особливо у випадку пацієнтів із порушеннями мовлення, низькою артикуляцією або тих, хто користується розмовною мовою, діалектами чи сленгом.

Також проблематичним є явище так званих «галюцинацій» у транскрипціях, що генеруються деякими моделями, наприклад, Whisper (OpenAI). Подібні артефакти становлять серйозну загрозу в контексті клінічної документації, а в крайніх випадках можуть призводити до помилкових діагностичних або терапевтичних рішень.

Ще одним викликом є етичні та правові питання. Кожне використання транскрипцій вимагає усвідомленої згоди пацієнта, відповідно до вимог GDPR (в Європейському Союзі) та HIPAA (в США). Це означає необхідність забезпечення повної анонімізації даних, безпечного зберігання записів і транскриптів, а також впровадження процедур контролю доступу.

Варто також зазначити, що навіть найкращі моделі ШІ не замінюють клінічну інтерпретацію. Автоматичні класифікатори можуть ігнорувати культурний контекст, індивідуальний стиль висловлювання або значення, які пацієнт надає конкретним словам. Тому ключова залишається роль терапевта в інтерпретації результатів та затвердженні їхньої точності (Chen et al., 2021).

Висновки

Транскрипція, підтримувана ШІ, є цінним діагностичним, терапевтичним та дослідницьким інструментом. Вона дозволяє більш точну діагностику, ефективнішу терапію та моніторинг змін з часом. Незважаючи на технологічні та етичні виклики, її використання може суттєво підвищити якість і безпеку психічної допомоги.

Бібліографія

Алі, А. А., Фуда, А. Е., Ханафі, Р. Дж., Фуда, М. Е. (2024). Використання аудіо та текстових модальностей у психічному здоров'ї: Дослідження продуктивності LLMs. 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
Чен, З., Флемотос, Н., Мартінес, В. Р., Крід, Т. А., Аткінс, Д. С., & Нараянан, С. (2021). Автоматизована оцінка якості сесій CBT через високо контекстуалізовані мовні представлення. PLOS ONE, 16(10).
https://arxiv.org/abs/2102.11573
https://doi.org/10.1371/journal.pone.0258639
Флемотомос, Н., Мартінез, В. Р., Чен, З., Нараянан, С. (2022). Автоматизована оцінка навичок психотерапії за допомогою технологій мовлення та мови. Методи дослідження поведінки, 54(2), 690–711.
https://link.springer.com/article/10.3758/s13428-021-01623-4
https://doi.org/10.3758/s13428-021-01623-4
Коенеке, А., та ін. (2024). Нехай шепіт: шкода від галюцинацій розпізнавання мови. У матеріалах конференції ACM 2024 з питань справедливості, підзвітності та прозорості (FAccT '24). Асоціація обчислювальної техніки, Нью-Йорк, США, 1672–1681.
https://dl.acm.org/doi/10.1145/3630106.3658996
https://doi.org/10.1145/3630106.3658996
Мергендальер, Е., & Стіенсон, С. Х. (1992). Стандарти транскрипції психотерапії. Дослідження психотерапії, 2(2), 125–142.
https://www.researchgate.net/publication/228096475_Psychotherapy_Transcription_Standards
https://doi.org/10.1080/10503309212331332904
Майнер, А. С., Хак, А., Фрайс, Дж. А., Флемінг, С. Л., Уілфлі, Д. Е., Вілсон, Г. Т., … Шах, Н. Х. (2020). Оцінка точності автоматичного розпізнавання мови для психотерапії. npj Digital Medicine, 3, 82.
https://www.nature.com/articles/s41746-020-0285-8
https://doi.org/10.1038/s41746-020-0285-8

The role of transcription in improving the quality of diagnosis, therapy, and monitoring progress