自动行为编码以提高动机面试在聊天式自杀预防帮助电话中的有效性:临床试验的二次分析

科学领域:

• 心理健康中的计算语言学和自然语言处理.
• 人工智能在行为健康干预中的应用.
• 机器学习用于分析治疗沟通模式.

背景情况:

• 使用人工智能分析大型数据集为基于证据的健康干预提供了潜力.
• 激励面试 (MI) 对于健康行为是有效的,但很难掌握.
• 需要专业知识才能有效地应用MI原则.

研究的目的:

• 调查AI模型在分类MI行为中的性能.
• 探索人工智能的可行性在心理健康帮助线上.
• 评估AI作为辅导员的自动化支持工具.

主要方法:

• 利用自杀预防热线的253个MI咨询聊天会话数据集.
• 编码了 23,982 条消息,使用 MI 序列代码观察过程交换代码库.
• 训练和评估了4个机器学习和1个深度学习模型 (BERTje) 用于行为分类.

主要成果:

• 深度学习模型BERTje在预测辅导员行为方面表现优于其他模型 (准确率=0.72,AUC=0.95).
• BERTje区分了MI对应/不对应的行为 (AUC=0.92) 和唤起/不唤起的语言 (AUC=0.92).
• 该模型为客户行为实现了0.70准确度,并识别了客户变化/保持谈话和顾问反思.

结论:

• 人工智能技术可以准确地分类MI行为,提高MI在在线帮助线上的熟练程度.
• 人工智能提供了一种可扩展,具有成本效益的方法来评估MI的遵守和提供反.
• 这些方法可以应用于其他领域和语言有足够的数据.