一种基于局部质量估计的心理治疗对话自动质量评估框架

用于评估心理治疗质量的基于文本的计算方法正在开发中，以支持质量保证与临床培训。然而，由于典型的基于对话的治疗疗程时间长，且带标注的建模资源有限，计算方法主要依赖基于频率的词汇特征或对话行为来评估整体疗程层面特征。在本工作中，我们提出一种分层框架，用于自动评估转录的认知行为疗法（CBT）交互的质量。鉴于谈话治疗疗程中口语对话的丰富动态性，为评估整体疗程层面质量，我们提议将其建模为交互中局部变化的一个函数。为在经验上实现这一点，我们将每次心理治疗疗程划分为对话片段，并以疗程层面分数初始化片段层面质量。首先，我们通过微调基于 BERT 的模型生成片段嵌入，并预测片段层面（局部）质量分数。这些嵌入作为基于双向 LSTM 的神经网络的底层输入，用于预测疗程层面（全局）质量估计。特别地，我们将全局质量建模为局部质量分数的线性函数，这使我们能基于疗程层面质量预测来更新片段层面质量估计。这些新估计的片段层面分数有益于 BERT 微调过程，进而产生更好的片段嵌入。我们在来自真实世界 CBT 临床录音的自动派生转录上评估所提框架，以预测疗程层面行为编码。结果表明，在用于回归与分类任务时，我们的方法对大多数编码均带来改进的评估精度。