Sulle orme dell'identità narrativa: tecniche di topic modeling per l'analisi di una psicoterapia breve. Un contributo alla Process-Outcome Research.

This research work is proposed as a contribution to Process-Outcome Research in psychotherapy. This field of research is configured as the union of research on the outcomes and processes of a psychotherapeutic course; therefore, it aims at the investigation of the processes that accounted for the outcomes of psychotherapy. As reported by Paul (1967), it is to define the circumstances that allow a series of treatments, arranged by a specific therapist, to be effective for the improvement of the specific patient. In detail, this study intends that in the plots of the patient's narrative identity (Ricoeur, 1983) deployed in therapy there are topics that the therapist must monitor for the purpose of the successful outcome of the course. In light of the opportunities offered by machine learning within the framework of Artificial Intelligence, topic modeling algorithms such as LDA (Blei et al., 2003) and BERTopic (Grootendorst, 2022) were used, therefore, to trace salient topics in the patient's text for the successful outcome of the specific therapy. Video recordings of a comprehensive therapy conducted with a cognitive neuropsychological approach were transcribed. The 28 interviews comprising the therapy were transcribed according to Mergenthaler & Stinson's (1992) transcription standards and Giorgi's (1985) phenomenological-descriptive analysis methodology. The transcript corpus was divided into 4 blocks consisting of 7 interviews each in order to render the temporal evolution of therapy. Quantitative analyses were performed through the Python implementation of LDA, a topic modeling technique capable of tracing, in a corpus of documents, latent topics. The second model employed in the present round of analysis is BERTopic, a more advanced model capable of identifying topics based on vector representations that make note of the semantic relationship between words. At the end of this quantitative analysis, a qualitative one followed, in which the experimenters labeled each topic based on a table consisting of 25 topics. From the analysis of the evolution of the topics that went through the interviews, it was possible to detect that the patient experienced a positive change in the therapeutic course. Although the present study is marked by a number of limitations inherent in the instruments used, the promising results bode well for future prospects of this research.

Il presente lavoro si propone come un contributo alla Process-Outcome Research in psicoterapia. Tale ambito di ricerca si configura come l’unione delle ricerche sugli esiti e sui processi di un percorso psicoterapeutico, pertanto, mira all’indagine dei processi che hanno reso ragione degli esiti della psicoterapia. Come riportato da Paul (1967), si tratta di definire le circostanze che permettono che una serie di trattamenti, disposti da uno specifico terapeuta, siano efficaci per il miglioramento dello specifico paziente. Nel dettaglio, questo studio intende che nelle trame dell’identità narrativa (Ricoeur, 1983) del paziente dispiegata in terapia vi siano dei topic che il terapeuta deve monitorare ai fini del buon outcome del percorso. Alla luce delle opportunità offerte dal machine learning all’interno della cornice dell’Intelligenza Artificiale, si è ricorsi, dunque, ad algoritmi di topic modeling come LDA (Blei et al., 2003) e BERTopic (Grootendorst, 2022) per rintracciare nel testo del paziente topic salienti per l’esito positivo della specifica terapia. Sono state trascritte le videoregistrazioni di una terapia completa condotta con un approccio cognitivo neuropsicologico. I 28 colloqui di cui è composta la terapia sono stati trascritti secondo gli standard di trascrizione di Mergenthaler & Stinson (1992) e la metodologia dell’analisi fenomenologico-descrittiva di Giorgi (1985). Il corpus delle trascrizioni è stato diviso in 4 blocchi composti da 7 colloqui ciascuno al fine di rendere l’evoluzione temporale della terapia. Le analisi quantitative sono state eseguite attraverso l’implementazione Python di LDA, un modello di topic modeling capace di rintracciare, in un corpus di documenti, degli argomenti latenti. Il secondo modello che si è impiegato nel presente ciclo di analisi è BERTopic, un modello più evoluto, capace di individuare topic sulla base di rappresentazioni vettoriali che rendono nota della relazione semantica tra le parole. Al termine di questa analisi quantitativa, ne è seguita una qualitativa, in cui gli sperimentatori hanno etichettato ciascun topic sulla base di una tabella costituita da 25 topic. Dall’analisi dell’evoluzione degli argomenti che hanno attraversato i colloqui è stato possibile rilevare che la paziente abbia sperimentato un cambiamento positivo nel percorso terapeutico. Nonostante il presente studio sia contrassegnato da una serie di limiti insiti negli strumenti utilizzati, i promettenti risultati fanno ben sperare per prospettive future di questa ricerca.