هوش مصنوعی می تواند بگوید که آیا یک جلسه درمانی مؤثر است یا خیر

درمان شناختی رفتاری (CBT) یکی از رایج ترین انواع گفتار درمانی در ایالات متحده است. 11 معیار وجود دارد که درمانگران شناختی رفتاری در حال آموزش معمولا بر اساس آنها قضاوت می شوند. اگر بتوان مهارت‌های آن‌ها را با بازخورد هوش مصنوعی ارزیابی و بهبود بخشید، چه؟ این مرکز تحقیقات جدید دانشکده مهندسی USC Viterbi در ارتباط با دانشگاه پنسیلوانیا و دانشگاه واشنگتن است. این اولین مطالعه در مورد جلسات CBT است که با افراد واقعی در مکالمات واقعی و درمانی انجام شده است. این یافته ها اخیرا در منتشر شده است PLOS One.

بیش از 1100 مکالمه واقعی بین درمانگران در حال آموزش و بیماران توسط یک هوش مصنوعی ایجاد شده توسط آزمایشگاه تجزیه و تحلیل سیگنال و تفسیر (SAIL) در دانشکده مهندسی دانشگاه کالیفرنیای جنوبی ویتربی تجزیه و تحلیل شد. نیکولاس فلموتوموس، نویسنده اصلی، دکترای هوش مصنوعی می‌گوید: چالش هوش مصنوعی. دانشجوی رشته مهندسی برق در USC، چندین سخنران را درک می کند و فقط از متن یک مکالمه معنا می بخشد. برای درمانگرانی که در حال کارآموزی هستند، ارزیاب‌های انسانی معمولا جلسات آنها را ارزیابی می‌کنند. یک هوش مصنوعی توانست با 73 درصد دقت آنچه را که یک ارزیاب انسانی می توانست به دست آورد، مطابقت دهد.

هوش مصنوعی می‌تواند مهارت‌های بین فردی درمانگر را قضاوت کند و تشخیص دهد که آیا درمانگر ساختار مناسبی را برای جلسه ایجاد کرده‌اند (مثلاً اگر به تکالیف تعیین‌شده بیمار پرداخته باشند). علاوه بر این، هوش مصنوعی می‌تواند تشخیص دهد که آیا درمانگر به طور مناسب بر روی بیمار تمرکز کرده است یا خیر و آیا می‌تواند با بیمار خود همکاری کند و ارتباط برقرار کند. تمام این جنبه ها برای ایجاد یک معیار کیفیت مجموع در نظر گرفته می شوند.

هوش مصنوعی الگوهای زبان را تنها از طریق رونویسی متنی که به صورت خودکار تولید می‌شود، ارزیابی می‌کند، نه کیفیت صدای سخنرانان در طول جلسات. چالش ارزیابی چنین جلساتی به Flemotomos دلالت دارد، این است که معناسازی و ارزیابی این مکالمات و همچنین پروتکل وابسته به CBT با توجه به گستره بالقوه انتخاب های زبان و خطاها در رونویسی خودکار چالش برانگیز است.

چنین ارزیابی هایی که معمولاً توسط انسان انجام می شود برای آموزش و ارائه بازخورد مبتنی بر عملکرد به درمانگر ضروری است که منجر به بهبود نتایج بالینی می شود. به گفته محققان، هدف تولید خودکار معیارها از یک جلسه ضبط شده برای تسهیل این برنامه ها است.

محققان بیان می کنند، “…هدف ما جایگزینی نظارت انسانی نیست، بلکه افزایش کارایی سرپرست و همچنین ارائه ابزاری برای خود ارزیابی است.”

با استفاده از این ابزار، این فرآیند می تواند برای مقابله با افزایش تقاضا برای خدمات بهداشت روان با متخصصان آموزش دیده مقیاس شود.

برای بهبود مستمر در این زمینه، Flemotomos می گوید: “ما دوست داریم این موارد را در کلینیک های دنیای واقعی بپذیریم.”

گام بعدی افزودن کیفیت‌های اهنگی یا آنچه که عروضی نامیده می‌شود از تعاملات گفتاری به این ابزار برای غنی‌سازی قابلیت آن است.

فلموتوموس در مورد جذابیت شخصی انجام چنین کاری گفت: “کمک مستقیم به انسان از طریق فناوری، به جای پرداختن به جنبه های فنی یک الگوریتم، واقعاً پاداش است.”

علاوه بر فلموتوموس، ویکتور مارتینز و ژوهائو چن، دکتری. دانشجویان آزمایشگاه تحلیل و تفسیر سیگنال دانشگاه کالیفرنیای جنوبی به توسعه ابزارها و نرم افزارهای هوش مصنوعی کمک کردند، همه اینها تحت هدایت نویسنده ارشد این مطالعه شریکانت نارایانان، استاد دانشگاه USC و کرسی مهندسی نیکیاس، با همکاری دانشگاه استادیار پنسیلوانیا توری کرید و پروفسور پژوهشی دانشگاه واشنگتن دیوید اتکینز.