機械学習を用いたクライアントとセラピストのマッチング

科学分野:

• 臨床心理学
• ヘルスインフォマティクス
• コンピュータサイエンス

背景:

• セラピストの割り当ては、カウンセリングの成功に大きく影響します。
• 現在の方法では、利用可能性が低い場合があり、最適なマッチングを見逃す可能性があります。

研究 の 目的:

• アーカイブデータとアルゴリズムを使用してクライアントをセラピストにマッチングさせるためのフレームワークを開発および評価すること。
• 次に利用可能なセラピストへの割り当てと比較して、クライアントの成果を改善すること。
• マッチングプロセスにセラピストの空き状況の制約を組み込むこと。

主な方法:

• 10,100回のセラピーコース（2014年から2019年）からの高次元調査データ（CCAPS-62、OQ-45）を利用しました。
• 予測モデリングを使用して、セラピストとクライアントの成果の関連性を推定しました。
• セラピストの空き状況を尊重する制約付きマッチングアルゴリズムを実装しました。
• シミュレーションと統計的検定を通じてパフォーマンスを評価しました。

主要な成果:

• モデルは、平均0.145-3.65 OQ-45ポイント（d=0.11）の改善に関連するセラピストとクライアントのペアを予測しました。
• この改善は統計的に有意でした（95％信頼区間）。
• この方法は、待機時間や管理上の変更に最小限の影響を与えながら、成果を改善する可能性を示しました。

結論:

• データ駆動型のクライアントとセラピストのマッチングは、カウンセリングの成果を大幅に向上させることができます。
• セラピストの空き状況の制約を考慮することは、実際的な実装にとって重要です。
• このアプローチは、メンタルヘルスサービスの有効性を高めるためのスケーラブルなソリューションを提供します。