💻 computer science

Empirical Modeling of Therapist-Client Dynamics in Psychotherapy Using LLM-Based Assessments

Dit onderzoek toont aan dat grote taalmodellen effectief kunnen worden ingezet om therapeutische interacties op grote schaal te analyseren en via structurele vergelijkingen aantonen dat therapeutische empathie en exploratie direct de cliëntopenheid beïnvloeden, terwijl de therapeutische relatie vooral bijdraagt aan vermindering van interne emotionele distress.

Oorspronkelijke auteurs: Angela Chen, Siwei Jin, Canwen Wang, Holly Swartz, Tongshuang Wu, Robert E Kraut, Haiyi Zhu

Gepubliceerd 2026-02-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Angela Chen, Siwei Jin, Canwen Wang, Holly Swartz, Tongshuang Wu, Robert E Kraut, Haiyi Zhu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat psychotherapie een heel ingewikkeld dansje is. De therapeut en de cliënt bewegen op en neer, reageren op elkaars stappen, en proberen samen een ritme te vinden dat helpt om emotionele knopen op te lossen. Maar tot nu toe was het voor onderzoekers heel moeilijk om precies te zien welke stap van de therapeut leidde tot welke reactie bij de cliënt. Het was alsof je een dansje probeerde te analyseren door alleen naar de eindresultaten te kijken, zonder te weten welke beweging er precies voor zorgde.

Dit onderzoek van Angela Chen en haar team van de Carnegie Mellon University pakt dit probleem aan met een slimme nieuwe aanpak: ze gebruiken kunstmatige intelligentie (AI) om die dansstappen in detail te bekijken.

Hier is een eenvoudige uitleg van wat ze hebben gedaan en wat ze ontdekten, met behulp van een paar creatieve vergelijkingen.

1. De "Digitale Observator" (De AI)

Vroeger moesten mensen urenlang luisteren naar opnames van therapiegesprekken om te tellen hoeveel keer een therapeut "empatisch" was of hoeveel "rapport" er was. Dat is tijdrovend en duur.

In dit onderzoek hebben de onderzoekers een AI-assistent (een groot taalmodel, of LLM) getraind om als een super-observator te fungeren. Deze AI luistert naar bijna 2.000 uur aan therapiegesprekken en doet drie dingen:

De Therapeut in de gaten houden: Meet hoe goed de therapeut luistert, vraagt door (onderzoekend gedrag) en empathie toont.
De Cliënt in de gaten houden: Meet of de cliënt meer over zichzelf vertelt (zelfonthulling) en welke emoties er spelen (zoals verdriet, angst, of boosheid).
De Sfeer meten: Beoordeelt de "band" of het vertrouwen tussen de twee (rapport).

De AI deed dit zo goed dat haar beoordelingen bijna overeenkwamen met die van menselijke experts. Het is alsof je een robot hebt die elke zin in een gesprek kan "vertalen" naar een cijfer voor empathie of verdriet.

2. De Grote Ontdekking: Twee Soorten "Gevaar"

Een van de coolste dingen die ze ontdekten, is dat niet alle negatieve emoties hetzelfde zijn. Stel je emoties voor als twee verschillende soorten weer:

Soort 1: De "Inwendige Storm" (Zelfgerichte emoties)
Dit zijn emoties die naar binnen gaan: verdriet, angst, depressie, en eenzaamheid. Het is alsof iemand in een donkere kamer zit en tegen de muren aan loopt.
Soort 2: De "Buitenwaartse Storm" (Naar buiten gerichte emoties)
Dit zijn emoties die naar buiten gericht zijn: boosheid, walging, en minachting. Het is alsof iemand naar buiten schreeuwt of iets wegsmijt.

De onderzoekers ontdekten dat de therapeut deze twee stormen op heel verschillende manieren beïnvloedt.

3. Wat werkt er? (De Resultaten)

A. Empathie en Vragen stellen = De Deur openen

Wanneer een therapeut empathisch reageert (bijvoorbeeld: "Dat klinkt heel zwaar voor je") of doorvraagt ("Kun je daar meer over vertellen?"), gebeurt er iets wonderlijks:

De cliënt opent de deur en vertelt meer over zichzelf.
Maar hier komt de verrassing: door die deur open te gaan, komen ook de Inwendige Stormen (verdriet, angst) naar boven.
De metafoor: Het is alsof de therapeut een raam openzet. De lucht stroomt binnen, maar daardoor zie je ook de donkere wolken die daar al waren. De cliënt voelt zich veilig genoeg om zijn verdriet te tonen.

B. Het "Vertrouwensnet" (Rapport) is geen "Emotie-Versterker"

Veel mensen denken dat als het vertrouwen (rapport) tussen therapeut en cliënt heel hoog is, de cliënt meer gaat vertellen en meer emoties gaat tonen.
Maar de AI ontdekte het tegenovergestelde!

Als het vertrouwen al heel hoog is, vertelt de cliënt niet per se meer over zichzelf.
Sterker nog: als het vertrouwen hoog is, tonen cliënten minder van die "Inwendige Stormen" (minder angst, minder verdriet).
De metafoor: Stel je voor dat rapport een warm, veilig dekentje is. Als het dekentje er al ligt, hoeft de cliënt niet meer te schreeuwen om warmte of hulp. Ze voelen zich al veilig, dus ze hoeven hun pijn niet meer zo hard te tonen. Het vertrouwen werkt als een kalmeringsmiddel, niet als een katalysator voor meer drama.

4. Waarom is dit belangrijk? (De Toekomst)

Dit onderzoek is als een GPS voor therapeuten.

Stel je voor dat een therapeut een bril opzet die in real-time laat zien: "Hé, je bent nu heel empathisch, en dat zorgt ervoor dat je cliënt net iets meer verdriet toont. Dat is goed, want dat betekent dat ze open gaan." Of: "Je hebt al een sterke band, dus probeer niet te veel te vragen, want dan voelt de cliënt zich misschien overweldigd."

Dit helpt bij:

Opleiding: Nieuwe therapeuten kunnen oefenen met een virtuele patiënt (een chatbot) die reageert op hun woorden, zodat ze leren welke zinnen wel of niet werken.
Verbetering: Therapeuten kunnen zien wat er echt gebeurt in een gesprek, in plaats van alleen te vertrouwen op wat de cliënt later zegt.
Chatbots: Het helpt bij het bouwen van slimme AI-therapeuten die echt begrijpen hoe ze moeten reageren om iemand te helpen, zonder per ongeluk iets te verergeren.

Samenvatting in één zin

De onderzoekers hebben AI gebruikt om te bewijzen dat empathie de sleutel is om cliënten te laten praten en hun verdriet te laten zien, terwijl een sterke band (rapport) juist zorgt voor rust en minder pijn, in plaats van voor meer drama. Het is een nieuwe manier om te begrijpen hoe het dansje van therapie echt werkt.

Probleemstelling

Psychotherapie is een effectieve behandeling voor veel mentale gezondheidsproblemen, maar de onderliggende mechanismen die therapeutisch gedrag koppelen aan cliëntresultaten zijn moeilijk te meten op grote schaal. Bestaande evaluaties vertrouwen vaak op zelfrapportage (zoals PHQ-9 of GAD-7) of post-sessie assessments. Deze methoden hebben beperkingen:

Ze worden zelden verzameld en bieden weinig inzicht in wat er tijdens de sessie gebeurt.
Ze zijn gevoelig voor recall-bias en subjectiviteit.
Handmatige codering van gedrag is arbeidsintensief en niet schaalbaar voor digitale zorgomgevingen.
Er is een behoefte aan een schaalbare, computergestuurde aanpak om de moment-tot-moment dynamiek tussen therapeut en cliënt te kwantificeren en te modelleren.

Methodologie

De auteurs hebben een tweeledige computergestuurde framework ontwikkeld:

1. Automatisering van Metingen met Large Language Models (LLM's)

Data: Het onderzoek gebruikt de Alexander Street corpus, bestaande uit ongeveer 2.000 uur aan getranscribeerde psychotherapiesessies (1.610 sessies, 37 cliënten, ~243.407 uitingen).
Constructen: Drie categorieën variabelen werden gemeten op uiting-niveau (utterance-level) of sessie-niveau:
- Therapeutisch gedrag: Empathie (onderverdeeld in Emotionele Reactie, Interpretatie, Exploratie en Reflectie) en Rapport (bond).
- Cliëntgedrag: Zelfopenbaring (Self-Disclosure) en Emoties (9 categorieën, inclusief angst, depressie, woede, etc.).
Prompting Strategie: Er werden gespecialiseerde prompts ontworpen voor GPT-4o-mini, gebaseerd op klinische theorieën (zoals het EPITOME-framework en Motivational Interviewing). De modellen kregen de taak om eerst een onderbouwing te genereren op basis van de dialoog en vervolgens een score te geven.
Validatie: De LLM-scores werden gevalideerd tegenover menselijke annotatoren (psychologiestudenten). De resultaten toonden een sterke correlatie aan (gemiddelde Pearson $r = .66$ ), wat aantoont dat LLM's een betrouwbare schaalbare meetlaag kunnen vormen.

2. Modellering met Structurele Equation Modeling (SEM)

Om de causale relaties te testen, gebruikten de auteurs SEM (met R's lavaan pakket).
Principal Component Analysis (PCA): Voordat de SEM werd uitgevoerd, werden de emotie- en empathie-items geaggregeerd tot factoren:
- Zelfgerichte negatieve emoties: Verdriet, angst, angst, depressie en omgekeerde vreugde.
- Op anderen gerichte negatieve emoties: Woede, minachting en walging.
- Empathie: Gecombineerd tot "Algemene Empathie" en "Exploratie".
Model: Het SEM-model testte hypothesen over hoe therapeutisch gedrag (onmiddellijk) en rapport (cumulatief, van vorige sessies) de volgende uiting van de cliënt beïnvloeden.

Belangrijkste Resultaten

De analyse leverde de volgende inzichten op over de therapeutische dynamiek:

Empathie en Exploratie stimuleren Zelfopenbaring:
- Zowel empathie als exploratie van de therapeut voorspellen direct een toename in de zelfopenbaring van de cliënt in de daaropvolgende uiting.
- De effectgrootte was vergelijkbaar voor beide gedragingen ( $\beta \approx 0.09$ ).
Empathie verhoogt Negatieve Emoties:
- Empathie leidt tot een toename in zowel zelfgerichte als op anderen gerichte negatieve emoties.
- Het effect was echter veel sterker voor zelfgerichte emoties (verdriet, angst, depressie) dan voor op anderen gerichte emoties (woede). Dit suggereert dat empathie cliënten veiliger maakt om kwetsbare, interne distress te uiten.
De Rol van Rapport (Alliantie):
- Verwarring opgehelderd: In tegenstelling tot de hypothese dat rapport leidt tot meer openheid, voorspelde een hoger rapport uit de vorige sessie geen toename in zelfopenbaring in de huidige sessie.
- Vermindering van Distress: Een hoger rapport was geassocieerd met een afname in zelfgerichte negatieve emoties. Dit suggereert dat rapport mogelijk werkt door de interne emotionele last te verminderen, in plaats van dat het de bereidheid verhoogt om die last te uiten.
- Rapport had geen significant effect op op anderen gerichte emoties.

Belangrijkste Bijdragen

Schaalbare Validatie van LLM's in de Zorg: Het artikel demonstreert dat LLM's klinisch geldige metingen kunnen produceren van complexe therapeutische constructen (zoals empathie en rapport) met een hoge mate van overeenstemming met menselijke experts.
Mechanistisch Inzicht: Door SEM toe te passen op turn-level data, biedt het onderzoek empirisch bewijs voor specifieke causale paden: therapeutisch gedrag beïnvloedt directe cliëntreacties, terwijl rapport fungeert als een contextuele moderator die de intensiteit van emotionele distress beïnvloedt.
Differentiatie van Emoties: Het onderscheid tussen "zelfgerichte" en "op anderen gerichte" negatieve emoties biedt een nuanceerder beeld van hoe therapeutische interventies werken.

Betekenis en Toepassingen

De bevindingen hebben directe implicaties voor digitale gezondheidszorg en therapeutische training:

Real-time Feedback voor Therapeuten: Systemen kunnen ontwikkeld worden die therapeuten moment-op-moment feedback geven over hoe hun gedrag (bijv. een empathische reactie) de emotie en openheid van de cliënt beïnvloedt.
Virtuele Patiënten voor Training: LLM's kunnen worden gebruikt om "virtuele patiënten" te creëren die dynamisch reageren op de interventies van trainees. Dit stelt trainees in staat om de gevolgen van hun empathie en exploratie te zien in een veilige omgeving.
Chatbot-ontwerp: Voor AI-therapeuten kunnen deze modellen helpen bij het ontwerpen van responsen die niet alleen empathisch zijn, maar ook rekening houden met de huidige emotionele staat en de bestaande alliantie, om escalatie van negatieve emoties te voorkomen of te kanaliseren.
Kwaliteitsverbetering: Geautomatiseerde analyses kunnen helpen bij het monitoren van de kwaliteit van zorg op grote schaal, zonder dat er handmatige codering nodig is.

Kortom, dit onderzoek levert een fundamenteel raamwerk om therapeutische interacties te vertalen naar meetbare, actiebare data, wat de brug slaat tussen klinische theorie en schaalbare digitale toepassingen.