Guidati dal testo: analisi dei topic di una psicoterapia conclusa attraverso l'integrazione degli algoritmi di Topic Modeling. Un contributo alla Process Outcome Research.

This work falls within the field of Process-Outcome Research, which focuses on understanding the effectiveness of therapeutic treatment and the processes that contribute to a positive outcome. Given the increasing use of Natural Language processing (NLP) and Text Mining systems in the psychotherapeutic field, the main interest of this research is to explore the usefulness of Artificial Intelligence tools for analyzing therapeutic transcripts. The main objectives are to identify the key themes that emerged during the therapeutic process and to observe the progression of psychotherapy, with particular attention to changes in the terms used by the patient. It is hypothesized that the models used, Latent Dirichlet Allocation (LDA) and BERTopic, can extract topics consistent with the labels developed in previous works and identify new topics. Furthermore, it is expected that as psychotherapy progresses, references to SPS (suffering/pathology/symptoms) will decrease while references to RT (therapeutic reconfiguration) will increase. To this end, the psychotherapy of I., consisting of 28 sessions, was examined. These sessions were audio and video recorded and subsequently transcribed according to the guidelines of Mergenthaler and Stinson (1992) in Microsoft Word. The text was then transferred to a Microsoft Excel file to highlight the elements of the session and proceed with topic assignment, following the descriptive phenomenological method proposed by Giorgi (1985). In the first part of the research, which is quantitative in nature, two Topic Modeling algorithms were used on the created dataset: LDA and BERTopic. The outputs of these tools allowed for the assignment of specific labels to the emerged themes, providing a basis for interpreting the case study. In the second part of the research, starting from the outputs provided by the tools, a qualitative analysis was carried out. This included the assignment of labels to each emerged topic, referring to a table consisting of 25 topics. Subsequently, the word overlap analysis was conducted to detect changes in the patient's language and test our second hypothesis. Despite the limitations of the research, the results demonstrate how AI can support research in psychotherapy, facilitating the monitoring and analysis of crucial themes for therapeutic success.

Il presente lavoro si colloca nell’ambito della Process-Outcome Research, campo di studi focalizzato sulla comprensione dell’efficacia del trattamento terapeutico e sui processi che contribuiscono ad un esito positivo dello stesso. Visto il crescente utilizzo dei sistemi di elaborazione del linguaggio (NLP) e del Text Mining anche all’interno del campo psicoterapeutico, l’interesse principale di questa ricerca è esplorare l’utilità degli strumenti di Intelligenza Artificiale per l’analisi dei trascritti terapeutici. Gli obiettivi principali che ci si propone di raggiungere sono l’identificazione dei temi chiave emersi durante il percorso terapeutico e l’osservazione dell’andamento della psicoterapia, con particolare attenzione ai cambiamenti nei termini utilizzati dalla paziente. Si ipotizza che i modelli utilizzati, Latent Dirichlet Allocation (LDA) e BERTopic, siano in grado di estrarre topic coerenti con le etichette sviluppate in lavori precedenti e di individuare nuovi topic. Inoltre, si prevede che, con il progredire della psicoterapia, i riferimenti a SPS (sofferenza/patologia/sintomi) diminuiscano mentre i riferimenti a RT (rifigurazione terapeutica) aumentino. A tal fine, è stata presa in esame la psicoterapia di I., composta da 28 colloqui, audio e videoregistrati e successivamente trascritti seguendo le linee guida di Mergenthaler e Stinson (1992) su Microsoft Word. Il testo è stato poi riportato su un file Microsoft Excel per evidenziare gli elementi del colloquio e procedere con l’assegnazione dei topic, seguendo il metodo descrittivo fenomenologico proposto da Giorgi (1985). Nella prima parte della ricerca, di natura quantitativa, sono stati utilizzati due algoritmi di Topic Modeling sul dataset creato: LDA e BERTopic. Gli output di questi strumenti hanno permesso di assegnare etichette specifiche ai temi emersi, fornendo una base per l'interpretazione del caso di studio. Nella seconda parte della ricerca, a partire dagli output forniti dagli strumenti si è proceduto ad una analisi qualitativa. Questa ha incluso l’assegnazione delle etichette a ciascun topic emerso, riferendosi ad una tabella costituita da 25 topic. Successivamente, è stata usata la tecnica dell’overlap di parole per rilevare cambiamenti nel linguaggio della paziente e testare la nostra seconda ipotesi. Nonostante le limitazioni presenti nella ricerca, i risultati dimostrano come l'IA possa supportare la ricerca in psicoterapia, facilitando il monitoraggio e l'analisi dei temi cruciali per il successo terapeutico.