CFiCS: Graph-Based Classification of Common Factors and Microcounseling Skills

要約

一般的な要因とマイクロカウンセリングスキルは、心理療法の有効性にとって重要です。
これらの要素を理解して測定することで、治療プロセスと結果に関する貴重な洞察が得られます。
ただし、テキストデータからのこれらの変更原則の自動識別は、治療的対話の微妙でコンテキスト依存性の性質のために依然として困難です。
このペーパーでは、グラフの機械学習を前処理されたコンテキスト埋め込みと統合する階層分類フレームワークであるCFICSを紹介します。
私たちは、共通の要因、介入概念、およびマイクロカウンセリングスキルを不均一なグラフとして表します。ここでは、臨床バートからのテキスト情報が各ノードを豊かにします。
この構造は、階層的な関係（例えば、幅広い要因にリンクするスキルレベルのノード）と治療概念のセマンティック特性の両方をキャプチャします。
グラフニューラルネットワークを活用することにより、CFICSは、明示的な接続を欠く目に見えないテキストサンプルに一般化する誘導性ノード埋め込みを学習します。
我々の結果は、ClinicalBertノードの機能とグラフ構造を統合することで、特にきれいなスキル予測において、分類パフォーマンスが大幅に向上することを示しています。
CFICSは、ランダムフォレスト、バートベースのマルチタスクモデル、グラフベースの方法など、ベースラインと比較して、すべてのタスクにわたってマイクロF1スコアとマクロF1スコアの両方で大幅な利益を得ています。

要約(オリジナル)

Common factors and microcounseling skills are critical to the effectiveness of psychotherapy. Understanding and measuring these elements provides valuable insights into therapeutic processes and outcomes. However, automatic identification of these change principles from textual data remains challenging due to the nuanced and context-dependent nature of therapeutic dialogue. This paper introduces CFiCS, a hierarchical classification framework integrating graph machine learning with pretrained contextual embeddings. We represent common factors, intervention concepts, and microcounseling skills as a heterogeneous graph, where textual information from ClinicalBERT enriches each node. This structure captures both the hierarchical relationships (e.g., skill-level nodes linking to broad factors) and the semantic properties of therapeutic concepts. By leveraging graph neural networks, CFiCS learns inductive node embeddings that generalize to unseen text samples lacking explicit connections. Our results demonstrate that integrating ClinicalBERT node features and graph structure significantly improves classification performance, especially in fine-grained skill prediction. CFiCS achieves substantial gains in both micro and macro F1 scores across all tasks compared to baselines, including random forests, BERT-based multi-task models, and graph-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google