Can Conversational Temporal Dynamics Improve Depression Detection in Dyads? A Preliminary Investigation in Multi-Modality Perspectives

Resumen Técnico: Dinámicas Temporales Conversacionales en la Detección de la Depresión Diádica

Planteamiento del Problema
La detección automática de la depresión en entrevistas clínicas suele basarse en el modelado del contenido semántico (mediante codificadores de texto como RoBERTa) y de las características acústicas (mediante modelos de habla autosupervisados como WavLM). Sin embargo, la temporalidad de la interacción entre el clínico (o entrevistador virtual) y el participante permanece submodelada. Aunque los patrones de habla individuales (por ejemplo, la latencia de respuesta, la duración de las pausas) son conocidos por correlacionar con la depresión, la estructura temporal específica del intercambio diádico —cómo el entrevistador y el participante coordinan sus turnos— no ha sido evaluada rigurosamente como una modalidad independiente fusionada con codificadores neuronales modernos. Este artículo investiga si las Dinámicas Temporales Conversacionales (CTD, por sus siglas en inglés), específicamente el tiempo de los pares de turnos diádicos, pueden servir como un complemento ligero e interpretable a las modalidades acústica y semántica estándar.

Metodología
El estudio utiliza el conjunto de datos DAIC-WOZ, un referente de entrevistas clínicas semiestructuradas con una entrevistadora virtual ("Ellie"). Los autores emplean un protocolo estricto e independiente del sujeto con una división de entrenamiento/desarrollo/prueba, excluyendo sesiones con problemas de integridad de datos.

El sistema propuesto consta de tres ramas de detección paralelas, todas ellas agrupadas sobre la misma segmentación de turnos Pregunta/Respuesta (intervencionista/participante):

1. Acústica (A): Un codificador WavLM-large congelado procesa las locuciones del participante. Una sonda ligera "estilo SUPERB" (capa softmax de ponderación + agrupación por atención) agrega los embeddings a nivel de locución en una probabilidad a nivel de sesión.
2. Semántica (T): Un codificador RoBERTa-large congelado procesa los turnos del participante (solo texto). Las instancias se agregan mediante agrupación de media (mean pooling) en una probabilidad a nivel de sesión.
3. Dinámicas Temporales Conversacionales (CTD): Un conjunto de características compacto y fijo de 24 dimensiones derivado del tiempo de los pares de turnos diádicos. Las características incluyen duraciones de turno, ratios de voz/silencio, latencias de respuesta y recuentos de retroalimentación (backchannel counts) tanto para el entrevistador (Pregunta) como para el participante (Respuesta). Estas se promedian sobre la sesión y se clasifican mediante regresión logística con regularización L2.

Estrategia de Fusión
Los autores comparan las modalidades individuales frente a estrategias de fusión tardía. Implementan una fusión tardía de ponderación convexa donde las puntuaciones de las modalidades (probabilidades) se combinan mediante una suma ponderada ($p_{w} = \sum w_m p_m$). Los pesos y los umbrales de decisión se ajustan exclusivamente en el conjunto de desarrollo para maximizar la macro-F1, asegurando que no haya fuga de datos de prueba.

Resultos Clave

• Rendimiento de Modalidad Única: En el conjunto de desarrollo, el módulo CTD logró el mayor rendimiento (Macro-F1: 0.746), superando tanto a RoBERTa-large congelado (0.690) como a WavLM-large congelado (0.673). En el conjunto de prueba retenido, CTD y RoBERTa empataron (0.631), mientras que WavLM quedó rezagado (0.545).
• Rendimiento de la Fusión: La fusión de ponderación convexa de las tres modalidades alcanzó una macro-F1 de desarrollo de 0.804 y una macro-F1 de prueba de 0.669.
• Ponderación de Modalidades: Los pesos de fusión aprendidos para el sistema de tres vías fueron [Acústica: 0.0, Semántica: 0.3, CTD: 0.7]. A la rama acústica se le asignó un peso de cero, lo que indica que la combinación de semántica y CTD fue suficiente y que la rama acústica no proporcionó un valor discriminativo adicional en este contexto de fusión específico.
• Ablación: La ganancia más significativa provino de añadir CTD al detector semántico (mejorando la F1 de desarrollo de 0.690 a 0.804). Añadir acústica a la semántica o a CTD no mejoró el rendimiento de la prueba.

Significancia y Reivindicaciones
El artículo posiciona estos hallazgos como una investigación preliminar en lugar de una solución clínica definitiva, reconociendo el tamaño pequeño y las limitaciones conocidas del referente DAIC-WOZ. Las principales reivindicaciones son:

1. CTD como una Modalidad de Primer Orden: El tiempo conversacional es una modalidad distinta e interpretable que puede igualar o exceder el rendimiento de los codificadores neuronales autosupervisados de alta dimensión (1024 dimensiones) utilizando solo 24 dimensiones.
2. Complementariedad: La CTD es altamente complementaria al contenido semántico, pero no a las características acústicas específicas extraídas por la sonda de WavLM-large congelado en esta configuración.
3. Interpretabilidad y Eficiencia: El módulo CTD ofrece una alternativa ligera y transparente a los modelos de aprendizaje profundo de "caja negra", sugiriendo que cómo se cronometra una conversación es tan informativo como qué se dice o cómo suena.

Los autores advierten que los resultados son indicativos debido al tamaño pequeño de la muestra (n=33 desarrollo, n=45 prueba) y a los intervalos de confianza superpuestos. Enfatizan que el peso de cero asignado a la acústica puede ser específico para esta cohorte y configuración de sonda, y que el trabajo futuro requiere validación en conjuntos de datos más grandes, diversos y transculturales antes de su despliegue en el mundo real.