Characterizing psychological concerns in semi-structured healthcare conversations using conversational NLP and large language models

Menselijke wezens wisselen voortdurend meer uit dan alleen woorden; ze delen gemoedstoestanden, emotionele lasten en sociale ritmes door de stroom van een gesprek. Decennialang hebben professionals in de geestelijke gezondheidszorg vertrouwd op gestandaardiseerde vragenlijsten om te meten hoe een persoon omgaat met sociale interactie of hoeveel psychische nood zij met zich meedragen. Deze enquêtes, ingevuld met pen en papier of op een scherm, vragen mensen om hun eigen gevoelens en gedragingen te beoordelen. Hoewel nuttig, leggen deze instrumenten een statische momentopname van zelfperceptie vast in plaats van de dynamische, levende realiteit van een gesprek terwijl dit plaatsvindt. Ze kunnen niet de aarzeling in een stem horen, de herhaling van een zorg, of de subtiele manieren waarop een persoon verbinding maakt — of juist niet — met een ander menselijk wezen. Naarmate de technologie vordert, is er een nieuwe vraag ontstaan in het vakgebied van de psychologie en computerwetenschappen: kunnen we machines leren om te luisteren naar de manier waarop mensen spreken tijdens een klinisch interview en, louter op basis van die gesproken woorden, het sociale en emotionele landschap van de spreker te begrijpen?

Deze vraag staat centraal in een recente studie uitgevoerd door onderzoekers van de International Christian University en het Heartland Shigisan Hospital in Japan. Het team wilde zien of moderne computertaaltools de transcripties van echte gesprekken tussen een psychiater en een patiënt konden analyseren om verborgen patronen te onthullen die gerelateerd zijn aan sociale communicatie en emotionele nood. Ze probeerden geen machine te bouwen die een patiënt kon diagnosticeren of een arts kon vervangen. In plaats daarvan stelden ze een meer fundamentele vraag: bevatten de specifieke woorden die mensen kiezen, de onderwerpen die zij aanbrengen en het ritme van hun dialoog meetbare aanwijzingen over hun mentale staat? Om dit te ontdekken, maakten ze gebruik van een set hulpmiddelen die bekend staat als natuurlijke taalverwerking (natural language processing), waardoor computers menselijke tekst kunnen lezen en begrijpen, en grote taalmodellen, die geavanceerde kunstmatige intelligentiesystemen zijn die in staat zijn complexe ideeën samen te vatten en thema's te identificeren in enorme hoeveelheden geschreven tekst.

De onderzoekers verzamelden een groep van 62 volwassenen in Japan en vroegen hen deel te nemen aan een semi-gestructureerd gesprek met een psychiater. Dit waren geen vrijblijvende gesprekken, maar geleide sessies ontworpen om aan te voelen als een standaard controle-afspraak. De psychiater, die niet op de hoogte werd gehouden van de persoonlijke scores van de deelnemers op psychologische tests, stelde vragen over hoe de persoon zich voelde, welke goede of moeilijke dingen die week hadden plaatsgevonden, en welke onderwerpen bezighielden. De gesprekken duurden gemiddeld ongeveer elf minuten. Tijdens deze sessies voltooiden de deelnemers ook twee bekende enquêtes. De ene mat hun niveau van psychische nood, waarbij werd gevraagd naar gevoelens van nervositeit, hopeloosheid en waardeloosheid. De andere mat hun sociale responsiviteit, waarbij werd gekeken naar hoe goed zij sociale signalen begrepen, relaties onderhielden en met anderen in contact kwamen.

Zodra de gesprekken waren opgenomen en getranscribeerd, voedden de onderzoekers de tekst aan hun computermodellen. Ze braken de dialoog af in veel verschillende soorten kenmerken. Sommige kenmerken waren eenvoudige tellingen, zoals hoeveel woorden de deelnemer sprak in vergelijking met de arts, of hoe gevarieerd hun vocabulaire was. Andere kenmerken waren complexer en maten hoe vergelijkbaar de woorden en ideeën van de deelnemer waren met die van de psychiater. Het meest significante deel van hun analyse bestond uit het gebruik van een groot taalmodel om de volledige transcriptie van elke deelnemer te lezen en specifieke "agenda-items" te extraheren. De computer kreeg de opdracht om te identificeren of de deelnemer had gesproken over depressie, angst, familie, werk of de toekomst, en om de mate van bezorgdheid over elk onderwerp te beoordelen. Dit stelde de onderzoekers in staat om verder te gaan dan het tellen van woorden en in plaats daarvan te kijken naar de werkelijke psychologische inhoud van wat er werd gezegd.

De resultaten toonden een duidelijke verbinding aan tussen wat mensen zeiden en hoe zij op de enquêtes scoorden. De meest opvallende bevinding was dat het vermogen van de computer om specifieke zorgen te identificeren, met name die gerelateerd aan depressie, sterk verbonden was met de scores van de deelnemers. Wanneer het taalmodel detecteerde dat een deelnemer significante zorgen uitte over depressie, neigde die persoon naar hogere scores op zowel de enquête over psychische nood als de enquête over sociale responsiviteit. Dit suggereert dat de manier waarop mensen over hun problemen praten, een direct signaal bevat van hun interne staat. Interessant genoeg waren de computermodellen veel beter in het voorspellen van de scores voor psychische nood dan in het voorspellen van de scores voor sociale communicatie. Hoewel de modellen met redelijke nauwkeurigheid tekenen van emotionele pijn konden opsporen, hadden ze moeite om de nuances van sociale interactie uit de tekst alleen te vatten.

De studie benadrukte ook dat het type informatie dat de computer extraheerde, er groot toe deed. Eenvoudige maten van hoe vergelijkbaar de woorden tussen de arts en de patiënt waren, of hoeveel woorden er werden gesproken, vertoonden zeer zwakke verbanden met de enquêteresultaten. Het was het diepere, semantische begrip van het gesprek — het vermogen om te begrijpen dat iemand over "zelfevaluatie" of "toekomstangst" sprak — dat de werkelijke inzichten bood. De onderzoekers ontdekten dat wanneer zij de hoogwaardige thema-samenvattingen combineerden met de meer basale woordtellingen, de voorspellingen van de computer licht verbeterden, maar de thema's zelf het meeste gewicht droegen. Dit geeft aan dat de inhoud van een gesprek meer onthullend is over de nood van een persoon dan de mechanische structuur van hun spraak.

Ondanks deze veelbelovende bevindingen zijn de onderzoekers voorzichtig in het benoemen van de beperkingen van hun werk. De groep mensen die zij bestudeerden was relatief klein, en de studie was verkennend van aard, wat betekent dat deze was ontworpen om te zien wat mogelijk is in plaats van om een definitief antwoord te bieden. De computermodellen bereikten geen perfecte nauwkeurigheid, en de onderzoekers benadrukken dat deze tools niet klaar zijn om als diagnostische instrumenten in een kliniek te worden gebruikt. De sterke link tussen de scores voor psychische nood en de sociale scores maakt het ook moeilijk om de twee in de data volledig van elkaar te scheiden; het is mogelijk dat de gesprekken een algemene staat van onbehagen reflecteerden die beide maten beïnvloedde. Bovendien vertrouwde de studie volledig op tekst, waarbij de toon van de stem, gezichtsuitdrukkingen en oogcontact — die ook essentieel zijn voor menselijke communicatie — werden genegeerd.

Desalniettemin biedt de studie een boeiend vooruitzicht op de toekomst van de beoordeling van de geestelijke gezondheid. Het demonstreert dat de woorden die mensen in een gesprek kiezen, niet slechts willekeurige ruis zijn, maar gestructureerd zijn op een manier die hun psychologische realiteit weerspiegelt. Door geavanceerde taalmodellen te gebruiken om te luisteren naar specifieke thema's zoals depressie of angst, kunnen computers beginnen met het kwantificeren van aspecten van de menselijke ervaring die voorheen alleen toegankelijk waren via subjectieve zelfrapportage of klinische observatie. De onderzoekers suggereren dat deze technieken in de toekomst kunnen helpen bij het creëren van meer realistische trainingsomgevingen voor zorgprofessionals, waardoor zij kunnen oefenen met het communiceren met virtuele cliënten die diverse patronen van sociaal en emotioneel gedrag vertonen. Voor nu staat het werk als een bewijs van concept: de verhalen die we vertellen, zelfs in korte, gestructureerde gesprekken, bevatten een meetbare kaart van ons innerlijk leven.