Exploring Profiles of Cognitive Distortions Associated with Mental Health Disorders

Riepilogo Tecnico: Esplorazione dei Profili di Distorsioni Cognitive Associate ai Disturbi della Salute Mentale

Enunciato del Problema
Le distorsioni cognitive (DC)—modelli di pensiero negativi e distorti—sono fortemente associate a disturbi della salute mentale come depressione e ansia. Sebbene la ricerca computazionale precedente si sia concentrata sul rilevamento delle DC a livello individuale per supportare le previsioni cliniche, o sulla prevalenza complessiva in condizioni specifiche (principalmente la depressione), manca un'analisi su larga scala che confronti i profili di distorsione tra molteplici condizioni di salute mentale. Gli studi esistenti spesso si basano su approcci lessicali basati su n-grammi che possono soffrire di falsi positivi a causa di corrispondenze a livello superficiale, e pochi hanno esaminato se specifiche categorie di distorsione varino in modo significativo tra diversi disturbi o se rappresentino un modello di pensiero umano condiviso. Questo lavoro affronta tre domande di ricerca: (1) Esistono differenze nella prevalenza delle DC tra gruppi di salute mentale e un gruppo di controllo? (2) Come variano i modelli di distorsione tra diversi gruppi di salute mentale? (3) I modelli prodotti da metodi lessicali semplici sono coerenti con quelli derivanti da modelli trasformatori contestuali?

Metodologia
Lo studio utilizza il dataset SMHD (Self-reported Mental Health Diagnoses), una raccolta su larga scala di post di Reddit da utenti che riportano autonomamente diagnosi in nove categorie (ADHD, Depressione, Disturbo Bipolare, Ansia, Autismo, PTSD, DOC, Schizofrenia, Disturbo Alimentare) e un gruppo di controllo abbinato. Per garantire la mutualità esclusiva, gli utenti con diagnosi multiple sono stati rimossi, e il gruppo di controllo è stato suddiviso in 30 sottoinsiemi abbinati per dimensione al più grande gruppo diagnostico (ADHD).

Sono stati impiegati due approcci di rilevamento:

1. Approccio Lessicale basato su N-grammi: È stato applicato un lessico predefinito di 12 categorie di DC (ad es. Lettura del pensiero, Catastrofizzazione) contenente specifici marcatori n-gram. Per mitigare i falsi positivi derivanti dal linguaggio comune, sono stati stabiliti soglie specifiche per categoria utilizzando il 75° percentile dei conteggi dei marcatori nel gruppo di controllo. I post che superavano queste soglie sono stati etichettati come distorti.
2. Approccio basato su Trasformatori: Un modello trasformatore fine-tuned (BERT e RoBERTa) è stato addestrato su un dataset separato di Domande e Risposte di Terapeuti annotato con categorie di DC multi-etichetta. Il modello con le prestazioni migliori (RoBERTa) è stato applicato al corpus SMHD per fornire un confronto consapevole del contesto.

L'analisi statistica ha coinvolto il calcolo delle proporzioni di post distorti e il calcolo delle dimensioni dell'effetto h di Cohen per quantificare le differenze tra gruppi clinici e di controllo, nonché tra diversi disturbi. È stata applicata la correzione di Holm–Bonferroni per controllare le comparazioni multiple.

Risultati Chiave

• Differenze di Prevalenza: Entrambi i metodi hanno confermato che i gruppi di salute mentale mostrano una prevalenza più elevata di distorsioni cognitive rispetto al gruppo di controllo. Utilizzando il metodo degli n-grammi, il 44,5% dei post clinici è stato etichettato come distorto contro il 28,5% dei post di controllo (dimensione dell'effetto h di Cohen = 0,34). Il modello trasformatore ha mostrato una tendenza simile, sebbene con tassi di rilevamento assoluti più bassi (9,4% clinico vs 2,5% controllo).
• Profili di Distorsione tra i Disturbi: Confrontando disturbi specifici, lo studio ha trovato profili di distorsione largamente simili tra le condizioni. Sebbene i gruppi con Disturbo Alimentare e PTSD mostrassero livelli complessivi di distorsione leggermente più alti, e i gruppi ADHD/Autismo mostrassero livelli più vicini al controllo, la classifica relativa delle categorie di distorsione è rimasta coerente. Ad esempio, "Ragionamento Dichotomico", "Etichettatura" e "Personalizzazione" hanno costantemente mostrato le dimensioni dell'effetto più grandi, mentre "Filtraggio Mentale" e "Catastrofizzazione" hanno mostrato le più piccole.
• Coerenza Metodologica: Nonostante il modello trasformatore rilevasse significativamente meno distorsioni in totale, i modelli a livello aggregato e le tendenze a livello di gruppo erano coerenti con l'approccio degli n-grammi. Entrambi i metodi hanno identificato il Disturbo Alimentare e il PTSD come aventi i tassi di distorsione più alti e ADHD/Autismo/Schizofrenia come aventi i più bassi.

Significato e Affermazioni
Il documento afferma che, sebbene gli approcci lessicali semplici (n-grammi) siano soggetti a falsi positivi e insufficienti per diagnosi individuali ad alta precisione, rimangono utili per analisi esplorative delle tendenze a livello di gruppo in dati testuali su larga scala quando accoppiati a un gruppo di controllo. I risultati suggeriscono che le distorsioni cognitive potrebbero essere più una questione di intensità complessiva del linguaggio distorto piuttosto che di combinazioni distinte e specifiche per il disturbo di tipi di distorsione. Lo studio ipotizza che le differenze osservate tra le condizioni siano modeste (differenze di dimensione dell'effetto tipicamente <0,15), implicando che il "profilo" delle distorsioni è in gran parte condiviso tra le condizioni di salute mentale.

Gli autori sottolineano che il loro lavoro mira a rivelare associazioni più ampie tra distorsioni cognitive e disturbi della salute mentale a livello di popolazione, piuttosto che prevedere stati di salute mentale individuali. La coerenza tra il metodo lessicale rumoroso e il modello trasformatore più sofisticato suggerisce che approcci di rilevamento relativamente semplici possono identificare efficacemente tendenze ampie, fornendo una base per generare ipotesi più precise per future indagini cliniche mirate.

Limitazioni
Gli autori riconoscono che il metodo degli n-grammi è intrinsecamente rumoroso e non può distinguere tra pensieri distorti e usi non distorti di frasi simili (ad es., "Non riesco mai" in un contesto letterale vs. distorto). Inoltre, la dipendenza da diagnosi auto-dichiarate e l'esclusione di utenti con comorbidità (mantenendo solo utenti con una singola diagnosi) semplificano la realtà clinica. Lo studio conclude che, sebbene i metodi di rilevamento siano troppo deboli per inferenze individuali, sono sufficienti per rilevare tendenze aggregate, a condizione che i risultati siano interpretati attraverso la lente delle dimensioni dell'effetto piuttosto che della sola significatività statistica.