Exploring Profiles of Cognitive Distortions Associated with Mental Health Disorders

Technische Samenvatting: Het Verkennen van Profielen van Cognitieve Vertekeningen Geassocieerd met Psychische Stoornissen

Probleemstelling
Cognitieve vertekeningen (CV's)—negatieve, vertekende denkpattren—zijn sterk geassocieerd met psychische stoornissen zoals depressie en angst. Hoewel eerdere computationeel onderzoek zich heeft gericht op het detecteren van CV's op individueel niveau om klinische voorspellingen te ondersteunen, of op de algehele prevalentie in specifieke aandoeningen (voornamelijk depressie), ontbreekt er een grootschalige analyse die vertekeningprofielen vergelijkt over meerdere psychische aandoeningen heen. Bestaande studies vertrouwen vaak op lexische benaderingen gebaseerd op n-grammen die kunnen lijden aan vals-positieven door oppervlakkige matching, en weinig hebben onderzocht of specifieke vertekeningcategorieën betekenisvol variëren tussen verschillende stoornissen of of ze een gedeeld menselijk denkpattern vertegenwoordigen. Dit werk adresseert drie onderzoeksvragen: (1) Zijn er verschillen in CV-prevalentie tussen psychische groepen en een controlegroep? (2) Hoe variëren vertekeningpatronen over verschillende psychische groepen? (3) Zijn patronen geproduceerd door eenvoudige lexische methoden consistent met die van contextuele transformermodellen?

Methodologie
De studie maakt gebruik van het Self-reported Mental Health Diagnoses (SMHD)-dataset, een grootschalige verzameling Reddit-berichten van gebruikers die zelf diagnoses rapporteren in negen categorieën (ADHD, Depressie, Bipolaire Stoornis, Angst, Autisme, PTSS, OCD, Schizofrenie, Eetstoornis) en een gematchte controlegroep. Om wederzijdse exclusiviteit te waarborgen, werden gebruikers met meerdere diagnoses verwijderd, en werd de controlegroep verdeeld in 30 subsets die qua grootte waren gematcht met de grootste diagnostische groep (ADHD).

Twee detectiebenaderingen werden toegepast:

1. Lexische Benadering op Basis van N-grammen: Een vooraf gedefinieerd lexicon van 12 CV-categorieën (bijv. Mindreading, Catastroferen) met specifieke n-gram-markers werd toegepast. Om vals-positieven door algemene taal te mitigeren, werden categorie-specifieke drempels vastgesteld met behulp van het 75e percentiel van marker-tellingen in de controlegroep. Berichten die deze drempels overschreden, werden gelabeld als vertekend.
2. Op Transformer Gebaseerde Benadering: Een fijngefineerd transformermodel (BERT en RoBERTa) werd getraind op een apart Therapist Q&A-dataset geannoteerd met multi-label CV-categorieën. Het best presterende model (RoBERTa) werd toegepast op het SMHD-corpus om een contextbewuste vergelijking te bieden.

Statistische analyse omvatte het berekenen van proporties van vertekende berichten en het berekenen van Cohens h-effectgroottes om verschillen tussen klinische en controlegroepen, evenals over verschillende stoornissen heen, te kwantificeren. De Holm–Bonferroni-correctie werd toegepast om te controleren voor meervoudige vergelijkingen.

Belangrijkste Resultaten

• Prevalentieverschillen: Beide methoden bevestigden dat psychische groepen een hogere prevalentie van cognitieve vertekeningen vertonen in vergelijking met de controlegroep. Met de n-gram-methode werden 44,5% van de klinische berichten gelabeld als vertekend versus 28,5% van de controlegeberichten (Cohens h = 0,34). Het transformermodel toonde een vergelijkbare trend, zij het met lagere absolute detectierates (9,4% klinisch versus 2,5% controle).
• Vertekeningprofielen over Stoornissen: Bij het vergelijken van specifieke stoornissen vond de studie grotendeels vergelijkbare vertekeningprofielen over aandoeningen heen. Hoewel de groepen met Eetstoornis en PTSS iets hogere algehele vertekeningniveaus toonden, en de ADHD/Autisme-groepen niveaus dichter bij de controle, bleef de relatieve rangorde van vertekeningcategorieën consistent. Bijvoorbeeld, "Dichotomisch Redeneren", "Labelen" en "Personaliseren" toonden consistent de grootste effectgroottes, terwijl "Mentale Filtering" en "Catastroferen" de kleinste toonden.
• Methodologische Consistentie: Ondanks dat het transformermodel aanzienlijk minder vertekeningen overall detecteerde, waren de patronen op aggregatieniveau en trends op groepsniveau consistent met de n-gram-benadering. Beide methoden identificeerden Eetstoornis en PTSS als de groepen met de hoogste vertekeningssnelheden en ADHD/Autisme/Schizofrenie als de groepen met de laagste.

Betekenis en Beweringen
Het artikel beweert dat terwijl eenvoudige lexische benaderingen (n-grammen) vatbaar zijn voor vals-positieven en ontoereikend zijn voor diagnose op individueel niveau met hoge precisie, ze nuttig blijven voor verkennende analyses van trends op groepsniveau in grootschalige tekstdata wanneer gekoppeld aan een controlegroep. De bevindingen suggereren dat cognitieve vertekeningen meer een kwestie zijn van de algehele intensiteit van vertekende taal dan van onderscheidende, stoornisspecifieke combinaties van vertekeningstypen. De studie stelt dat de waargenomen verschillen tussen aandoeningen bescheiden zijn (effectgrootteverschillen doorgaans <0,15), wat impliceert dat het "profiel" van vertekeningen grotendeels wordt gedeeld over psychische aandoeningen.

De auteurs benadrukken dat hun werk gericht is op het onthullen van bredere associaties tussen cognitieve vertekeningen en psychische stoornissen op populatieniveau, in plaats van het voorspellen van individuele mentale gezondheidstoestanden. De consistentie tussen de ruwe lexische methode en het meer verfijnde transformermodel suggereert dat relatief eenvoudige detectiebenaderingen breedte-trends effectief kunnen identificeren, en zo een fundament vormen voor het genereren van preciezere hypothesen voor toekomstige, gerichte klinische onderzoeken.

Beperkingen
De auteurs erkennen dat de n-gram-methode inherent ruisend is en niet kan onderscheiden tussen vertekende gedachten en niet-vertekende uses van vergelijkbare zinsdelen (bijv. "Ik faal altijd" in een letterlijke versus vertekende context). Bovendien vereenvoudigt de afhankelijkheid van zelfgerapporteerde diagnoses en de uitsluiting van comorbide gebruikers (alleen gebruikers met één diagnose behouden) de klinische realiteit. De studie concludeert dat terwijl de detectiemethoden te zwak zijn voor individuele inferentie, ze voldoende zijn voor het detecteren van aggregatietrends, mits resultaten worden geïnterpreteerd door de lens van effectgroottes in plaats van alleen statistische significantie.