Download PDF
Psychother Psychosom Med Psychol 2022; 72(09/10): 395-396
DOI: 10.1055/a-1915-2589
Editorial

Künstliche Intelligenz für die Sprachanalyse in der Psychotherapie – Chancen und Risiken

Artificial Intelligence for Speech Analysis in Psychotherapy – Chances and Risks
Julia Krüger
1   Universitätsklinik für Psychosomatische Medizin und Psychotherapie, Medizinische Fakultät, Otto-von-Guericke-Universität Magdeburg
,
Ingo Siegert
2   Fachgebiet Mobile Dialogsysteme, Institut für Informations- und Kommunikationstechnik, Fakultät für Elektrotechnik, Otto-von-Guericke-Universität Magdeburg
,
Florian Junne
1   Universitätsklinik für Psychosomatische Medizin und Psychotherapie, Medizinische Fakultät, Otto-von-Guericke-Universität Magdeburg
› Author Affiliations
› Further Information
Also available at
    Permissions and Reprints

Sprache macht wesentliche Aspekte psychischen Erlebens in Psychotherapie beschreib- und veränderbar. Hierfür untersuchen Patienten und Therapeuten kontinuierlich, was gesagt wird, wie es gesagt wird und welche explizite und implizite Bedeutung das Gesagte haben könnte. Im Forschungskontext erfolgte die Analyse der sprachlichen Dimension der Therapie bislang manuell mit hohem Transkriptions-, Analyse- und Interpretationsaufwand. Mittlerweile erobert die Künstliche Intelligenz (KI) in der Sprachanalyse rasant das Forschungsfeld, was als mögliche Zeitenwende in der Behandlung psychischer Störungen gehandelt wird [1] [2].



Publication History

Article published online:
18 October 2022

© 2022. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Chekroud AM, Bondar J, Delgadillo J. et al. The Promise of Machine Learning in Predicting Treatment Outcomes in Psychiatry. World Psychiatry 2021; 20: 154-170
    CrossrefPubMedSearch in Google Scholar
  • 2 Kučera D, Mehl MR. Beyond English: Considering Language and Culture in Psychological Text Analysis. Front Psychol 2022; 13: 819543
    CrossrefPubMedSearch in Google Scholar
  • 3 Low DM, Bentley KH, Ghosh SS. Automated Assessment of Psychiatric Disorders Using Speech: A Systematic Review. Laryngoscope Investig Otolaryngol 2020; 5: 96-116
    CrossrefPubMedSearch in Google Scholar
  • 4 Aafjes-van Doorn K, Porcerelli J, Müller-Frommeyer LC. Language Style Matching in Psychotherapy: An Implicit Aspect of Alliance. J Couns Psychol 2020; 67: 509-522
    CrossrefPubMedSearch in Google Scholar
  • 5 Flemotomos N, Martinez VR, Chen Z. et al. Automated Evaluation of Psychotherapy Skills Using Speech and Language Technologies. Behav Res 2022; 54: 690-711
    CrossrefPubMedSearch in Google Scholar
  • 6 Miner AS, Haque A, Fries JA. et al. Assessing the Accuracy of Automatic Speech Recognition for Psychotherapy. NPJ Digit Med 2020; 3: 82
    CrossrefPubMedSearch in Google Scholar
  • 7 Goldberg SB, Flemotomos N, Martinez VR. et al. Machine Learning and Natural Language Processing in Psychotherapy Research: Alliance as Example Use Case. J Couns Psychol 2020; 67: 438-448
    CrossrefPubMedSearch in Google Scholar
  • 8 Castelvecchi D. Can We Open the Black Box of AI?. Nat News 2016; 538: 20
    CrossrefPubMedSearch in Google Scholar
  • 9 Sinha Y, Wendemuth A, Siegert I. Emotion Preservation for One-shot Speaker Anonymization Using McAdams. Elektronische Sprachsignalverarbeitung 2022. Dresden: TUDpress; 2022: 235-242
    Search in Google Scholar
  • 10 Shatte ABR, Hutchinson DM, Teague SJ. Machine Learning in Mental Health: A Scoping Review of Methods and Applications. Psychol Med 2019; 49: 1426-1448
    CrossrefPubMedSearch in Google Scholar
  • 11 Marti-Puig P, Capra C, Vega D. et al. A Machine Learning Approach for Predicting Non-Suicidal Self-Injury in Young Adults. Sensors 2022; 22: 4790
    CrossrefPubMedSearch in Google Scholar