机器学习研究发现心理治疗联盟破裂的身体动作标记

目的：联盟破裂是心理治疗过程与结果的核心议题，但治疗师常常无法实时识别这些破裂，尤其是倾向于以微妙方式表现的退缩型破裂。本研究考察将机器学习应用于心理治疗会谈中逐刻的动作动态，能否识别联盟破裂的标志。方法：我们分析了来自一项重性抑郁障碍随机对照试验的86对治疗组合的474次录像心理治疗会谈。联盟破裂使用破裂-修复评定量表（3RS）进行编码。患者和治疗师的动作通过头部和身体各区域的运动能量分析进行量化。两种特征工程方法捕捉了与破裂发生相关的时间和空间动作模式。结果：模型对退缩型破裂的区分性能（平均AUC = .73）高于对抗型破裂（平均AUC = .56）。治疗师头部动作是跨破裂类型最稳健的单一标志，而检测退缩型破裂则需要整合多个身体区域及治疗双方的动作信息。结论：退缩型破裂尽管在活体中难以识别，却留下了一致的具身特征。这些发现推进了心理治疗过程研究，并凸显了基于机器学习的动作分析在识别可用于联盟聚焦培训和督导的行为性、可解释标志方面的潜力。

中文由 AI 翻译，仅供参考，以原文为准。