۱. مقدمه و اهمیت پژوهش

سلامت روان و رفاه انسان پیوندی عمیق با توانایی تجربه و بیان صحیح احساسات دارد. اما درک و سنجش دقیق این فرایندهای عاطفی، به ویژه در بستر پیچیده و پویای روان‌درمانی، همواره چالشی اساسی برای متخصصان و پژوهشگران بوده است. یکی از مفاهیم کلیدی در این حوزه، “همسویی عاطفی” (Emotional Coherence) است که به میزان تطابق بین احساسات درونی فرد و نحوه ابراز آن‌ها اشاره دارد. زمانی که تجربه درونی ما با آنچه بیان می‌کنیم همخوانی داشته باشد، این همسویی می‌تواند نشانه‌ای از سلامت عاطفی و ارتباط مؤثر باشد. برعکس، عدم همسویی ممکن است به مشکلات روانی منجر شود.

تا پیش از این، مطالعات در زمینه همسویی عاطفی غالباً به نقاط زمانی خاصی محدود شده و از داده‌های آزمایشگاهی با حجم نسبتاً کم استفاده می‌کردند. این رویکردها قادر به بررسی جامع همسویی عاطفی در طول فرآیند درمان نبودند و ارتباط آن را با نتایج درمانی و بهبود حال مراجع کمتر مورد کاوش قرار می‌دادند. ظهور و پیشرفت فناوری پردازش زبان طبیعی (NLP) دریچه‌ای نوین به سوی تحلیل مقیاس‌پذیر و عمیق‌تر مکالمات درمانی گشوده است. این فناوری امکان شناسایی و تحلیل احساسات از طریق متن گفتگوها را فراهم می‌آورد و فرصتی بی‌نظیر برای مطالعه فرایندهای عاطفی در طول جلسات روان‌درمانی و ارتباط آن با پیامدهای درمانی ایجاد می‌کند. مقاله حاضر با اتکا به این پیشرفت‌ها، رویکردی نوآورانه را برای سنجش همسویی عاطفی در جلسات روان‌درمانی ارائه می‌دهد.

۲. نویسندگان و زمینه تحقیق

این پژوهش حاصل تلاش جمعی از محققان برجسته در حوزه‌های هوش مصنوعی، پردازش زبان طبیعی، و روان‌شناسی است. نویسندگان این مقاله عبارتند از: نها واریکو (Neha Warikoo)، توبیاس مایر (Tobias Mayer)، دانا آتزیل-اسلونیم (Dana Atzil-Slonim)، امیر الیاساف (Amir Eliassaf)، شیرا هایمویتز (Shira Haimovitz) و ایرینا گورویچ (Iryna Gurevych). این تیم تحقیقاتی با تکیه بر تخصص‌های مکمل خود، در تقاطع دانش علوم کامپیوتر و روان‌درمانی قرار گرفته و تلاش کرده‌اند تا با استفاده از ابزارهای پیشرفته هوش مصنوعی، به درک عمیق‌تری از سازوکارهای درونی سلامت روان دست یابند.

زمینه تحقیق این مقاله به طور خاص بر کاربرد فناوری‌های پردازش زبان طبیعی در تحلیل مکالمات روان‌درمانی متمرکز است. این پژوهش با هدف ارتقاء ابزارهای تشخیصی و درمانی در حوزه سلامت روان، سعی در شناسایی مؤلفه‌های کلیدی در فرایند درمانی دارد. گستره این تحقیق شامل سه حوزه اصلی Computation and Language، Artificial Intelligence و Human-Computer Interaction می‌شود، که نشان‌دهنده ماهیت بین‌رشته‌ای و نوآورانه آن است.

۳. چکیده و خلاصه محتوا

احساسات از طریق سیستم‌های پاسخ‌دهی گوناگونی تجربه و ابراز می‌شوند. همسویی بین تجربه و ابراز هیجانی برای سلامت روانی مراجعان حائز اهمیت تلقی می‌شود. تا به امروز، همسویی عاطفی (EC) در یک نقطه زمانی خاص و با استفاده از وظایف آزمایشگاهی بر روی مجموعه‌داده‌های نسبتاً کوچک مورد مطالعه قرار گرفته است. هیچ مطالعه‌ای همسویی عاطفی بین تجربه ذهنی هیجانات و ابراز هیجان در طول درمان یا ارتباط این همسویی با سلامت روانی مراجع را بررسی نکرده است. رویکردهای پردازش زبان طبیعی (NLP) برای شناسایی هیجانات از گفتگوی روان‌درمانی به کار گرفته شده‌اند که می‌تواند برای مطالعه فرایندهای عاطفی در مقیاس بزرگ‌تر پیاده‌سازی شود. با این حال، این روش‌ها هنوز برای مطالعه همسویی بین تجربه عاطفی و ابراز عاطفی در طول درمان و ارتباط آن با سلامت روانی مراجع استفاده نشده‌اند.

این پژوهش یک رویکرد سرتاسری (end-to-end) را معرفی می‌کند که در آن از پیش‌بینی‌های هیجانی حاصل از مدل تشخیص هیجان مبتنی بر ترنسفورمر (transformer-based emotion recognition model) برای مطالعه همسویی عاطفی و پتانسیل تشخیصی آن در تحقیقات روان‌درمانی استفاده می‌شود. ابتدا، از رویکرد مبتنی بر ترنسفورمر بر روی یک مجموعه داده روان‌درمانی عبری برای برچسب‌گذاری خودکار احساسات مراجع در سطح هر جمله (utterance) در گفتگوهای روان‌درمانی استفاده می‌شود. سپس، همسویی عاطفی بین حالات هیجانی خودگزارش‌شده مراجع و پیش‌بینی‌های هیجانی مدل بررسی می‌شود. همچنین، ارتباط بین همسویی عاطفی و سلامت روانی مراجع مورد کاوش قرار می‌گیرد. یافته‌های این تحقیق نشان‌دهنده همبستگی قابل توجه بین احساسات خودگزارش‌شده مراجع و احساسات مثبت و منفی ابراز شده کلامی در طول جلسات روان‌درمانی است. همسویی در احساسات مثبت نیز با سلامت روانی مراجع همبستگی بالایی داشت. این نتایج نشان می‌دهد که چگونه NLP می‌تواند برای شناسایی فرایندهای عاطفی مهم در روان‌درمانی جهت بهبود تشخیص و درمان مراجعان با مشکلات سلامت روان به کار رود.

۴. روش‌شناسی تحقیق

روش‌شناسی این پژوهش از یک رویکرد جامع و چندمرحله‌ای بهره می‌برد که ترکیبی از تحلیل داده‌های زبانی، مدل‌سازی پیشرفته هوش مصنوعی و ارزیابی بالینی است. مراحل کلیدی این روش‌شناسی به شرح زیر است:

• جمع‌آوری و آماده‌سازی داده‌ها:
  این مطالعه بر روی یک مجموعه داده منحصر به فرد از جلسات روان‌درمانی که به زبان عبری انجام شده، صورت گرفته است. این داده‌ها شامل رونوشت مکالمات بین مراجعان و درمانگران است. برای تحلیل، بخش مربوط به مراجعان استخراج شده و آماده‌سازی‌های لازم برای پردازش متنی انجام شده است.
• تشخیص احساسات با مدل ترنسفورمر:
  قلب تپنده این تحقیق، استفاده از یک مدل پیشرفته تشخیص احساسات مبتنی بر معماری ترنسفورمر است. این مدل که با داده‌های مکالمات روان‌درمانی آموزش دیده، قادر است احساسات بیان شده در هر جمله (utterance) توسط مراجع را شناسایی و دسته‌بندی کند. این مدل می‌تواند احساساتی مانند شادی، غم، خشم، اضطراب، و احساسات مثبت و منفی کلی را تشخیص دهد. این فناوری امکان تحلیل عمیق و خودکار احساسات را در مقیاس بزرگ فراهم می‌کند، کاری که پیش از این با روش‌های سنتی دشوار و زمان‌بر بود.
• سنجش همسویی عاطفی (Emotional Coherence):
  پس از اینکه احساسات هر جمله توسط مدل ترنسفورمر پیش‌بینی شد، این احساسات با داده‌های خودگزارش‌شده مراجع مقایسه می‌شوند. داده‌های خودگزارش‌شده معمولاً از پرسشنامه‌ها یا گزارش‌های روزانه مراجعان پس از جلسات درمان جمع‌آوری می‌شود و بیانگر درک مراجع از حال و هوای عاطفی خود در آن زمان است. همسویی عاطفی به صورت آماری با محاسبه میزان تطابق بین احساسات پیش‌بینی شده توسط مدل و احساسات خودگزارش‌شده مراجع سنجیده می‌شود. این تطابق می‌تواند در سطح کلی احساسات (مثبت/منفی) و یا برای دسته‌های عاطفی خاص‌تر ارزیابی شود.
• ارتباط همسویی عاطفی با سلامت روانی:
  در گام نهایی، رابطه بین میزان همسویی عاطفی اندازه‌گیری شده و شاخص‌های سلامت روانی مراجع بررسی می‌شود. شاخص‌های سلامت روانی می‌توانند شامل معیارهای کاهش علائم اضطراب و افسردگی، افزایش رضایت از زندگی، بهبود عملکرد اجتماعی، و در کل، ارتقاء رفاه روانی باشند. این بررسی با استفاده از روش‌های آماری انجام شده تا مشخص شود آیا همسویی عاطفی بیشتر، با پیامدهای درمانی مثبت‌تر و بهبود حال مراجع همراه است یا خیر.

این رویکرد سرتاسری، امکان بررسی دینامیک احساسات و همسویی آن‌ها را در طول زمان و در بستر واقعی درمان فراهم می‌آورد و پتانسیل تشخیص بالینی را به طور قابل توجهی افزایش می‌دهد.

۵. یافته‌های کلیدی

نتایج حاصل از این پژوهش، بینش‌های ارزشمندی را در مورد نحوه تعامل احساسات، ابراز آن‌ها و پیامدهایشان در فرآیند روان‌درمانی ارائه می‌دهد:

• همبستگی قوی بین احساسات خودگزارش‌شده و ابرازشده:
  یافته مهم و قابل توجه این تحقیق، کشف یک همبستگی معنادار بین احساسات عاطفی است که مراجعان خود گزارش کرده‌اند و احساساتی که به صورت کلامی در طول جلسات روان‌درمانی ابراز نموده‌اند. این همبستگی در هر دو دسته احساسات مثبت و منفی مشاهده شده است. این بدان معناست که ابزارهای NLP قادرند به طور مؤثری احساسات مراجعان را از متن گفتگوها استخراج کرده و این احساسات تا حد زیادی با برداشت خود مراجع از وضعیت عاطفی‌اش همخوانی دارد. این یافته، اعتبار و دقت مدل‌های NLP را در تحلیل عواطف انسانی در محیط‌های واقعی تأیید می‌کند.
• ارتباط مثبت همسویی عاطفی با سلامت روانی:
  یکی از برجسته‌ترین نتایج این پژوهش، وجود ارتباط قوی میان همسویی در احساسات مثبت و سطح سلامت روانی مراجعان است. به عبارت دیگر، زمانی که مراجعان احساسات مثبت خود را به طور همسو (یعنی آنچه احساس می‌کنند را بیان می‌کنند) ابراز می‌نمایند، این نشانه‌ای مطلوب برای وضعیت روانی آن‌ها محسوب می‌شود. این امر می‌تواند نشان‌دهنده تاب‌آوری روانی بهتر، توانایی سازگاری بیشتر، و دستیابی به اهداف درمانی باشد. این یافته تأکید می‌کند که صرف بیان احساسات کافی نیست، بلکه همسویی تجربه درونی با ابراز بیرونی، به ویژه در مورد احساسات مثبت، پیامدهای سودمندی برای سلامت روان دارد.
• پتانسیل تشخیصی همسویی عاطفی:
  نتایج این تحقیق نشان می‌دهند که سنجش همسویی عاطفی می‌تواند به عنوان یک شاخص تشخیصی و پیش‌بینی‌کننده در حوزه سلامت روان مورد استفاده قرار گیرد. عدم همسویی عاطفی، به ویژه در ابراز احساسات منفی، ممکن است نشانه‌ای از مشکلات عمیق‌تر یا عدم پیشرفت در روند درمانی باشد. از سوی دیگر، افزایش همسویی عاطفی، به ویژه در احساسات مثبت، می‌تواند به عنوان نشانه‌ای از بهبود و موفقیت در درمان تلقی شود. این امر پتانسیل زیادی برای توسعه ابزارهای نظارتی و مداخله‌ای در روان‌درمانی دارد.

این یافته‌ها، اهمیت پردازش زبان طبیعی را در درک عمیق‌تر جنبه‌های ظریف و حیاتی تجربه عاطفی در روان‌درمانی برجسته می‌سازد.

۶. کاربردها و دستاوردها

این پژوهش صرفاً یک گام علمی در جهت درک بهتر احساسات نیست، بلکه پیامدهای عملی و نویدبخشی برای بهبود روان‌درمانی و سلامت روان دارد:

• بهبود ابزارهای تشخیصی:
  یکی از اصلی‌ترین دستاوردهای این تحقیق، معرفی سنجش همسویی عاطفی به عنوان یک ابزار بالقوه برای کمک به تشخیص و ارزیابی وضعیت روانی مراجعان است. این رویکرد می‌تواند مکمل ابزارهای تشخیصی سنتی باشد و اطلاعات جدیدی را در مورد چگونگی پردازش و ابراز هیجانات توسط مراجعان ارائه دهد.
• نظارت بر پیشرفت درمان:
  مدل‌های NLP و شاخص همسویی عاطفی می‌توانند به صورت مداوم در طول جلسات درمانی مورد استفاده قرار گیرند تا روند تغییرات عاطفی مراجع را رصد کنند. اگر همسویی عاطفی در حال افزایش باشد، می‌تواند نشان‌دهنده پیشرفت مثبت باشد، در حالی که کاهش همسویی ممکن است نیاز به تعدیل در رویکرد درمانی را نشان دهد. این پایش مداوم به درمانگران کمک می‌کند تا درک لحظه‌ای از وضعیت مراجع خود داشته باشند.
• شخصی‌سازی درمان:
  با درک بهتر از الگوهای همسویی عاطفی هر مراجع، درمانگران می‌توانند رویکردهای درمانی خود را شخصی‌سازی کنند. برای مثال، مراجعانی که در ابراز احساسات مثبت مشکل دارند، ممکن است نیاز به تمرینات خاصی برای افزایش این همسویی داشته باشند.
• کاربرد در مقیاس بزرگ:
  استفاده از NLP امکان تحلیل حجم عظیمی از داده‌های مکالمات درمانی را فراهم می‌آورد. این قابلیت، مطالعات مقیاس‌پذیر را امکان‌پذیر می‌سازد که در گذشته به دلیل محدودیت‌های انسانی در تحلیل دستی متن، غیرممکن بود. این امر می‌تواند به کشف الگوهای جدید و درک عمیق‌تر از اختلالات روانی منجر شود.
• توسعه ابزارهای دیجیتال سلامت روان:
  این تحقیق پتانسیل بالایی برای ادغام در اپلیکیشن‌ها و پلتفرم‌های سلامت روان دیجیتال دارد. این ابزارها می‌توانند به مراجعان در درک بهتر هیجانات خود و بهبود ارتباط بین احساسات درونی و ابراز بیرونی کمک کنند.

در مجموع، این پژوهش گامی مهم در جهت علمی‌تر کردن و کارآمدتر نمودن فرآیند روان‌درمانی از طریق به‌کارگیری هوش مصنوعی و تحلیل عمیق زبان است.

۷. نتیجه‌گیری

مقاله “همسویی عاطفی: سنجش با NLP و احساسات پیش‌بینی/خودگزارش‌شده مراجع در روان‌درمانی” گامی بلند و نوآورانه در تقاطع هوش مصنوعی و روان‌درمانی است. این پژوهش با موفقیت نشان داد که چگونه فناوری پردازش زبان طبیعی (NLP)، به ویژه مدل‌های پیشرفته مبتنی بر ترنسفورمر، می‌توانند برای تحلیل دقیق و خودکار احساسات بیان شده در مکالمات روان‌درمانی مورد استفاده قرار گیرند.

یافته اصلی و دلگرم‌کننده این تحقیق، همبستگی قوی میان احساسات خودگزارش‌شده مراجعان و احساساتی است که توسط مدل‌های NLP از متن گفتگوهایشان استخراج می‌شود. این یافته، اعتبار قابل توجهی به توانایی NLP در درک و کمی‌سازی تجربیات عاطفی انسان در محیط‌های واقعی می‌بخشد. مهم‌تر از آن، کشف ارتباط مثبت بین همسویی در احساسات مثبت و سطح کلی سلامت روانی مراجعان، بینشی حیاتی را آشکار می‌سازد: این نه تنها احساس کردن، بلکه همسویی میان آنچه احساس می‌کنیم و آنچه بیان می‌داریم (به خصوص در مورد احساسات مثبت) است که با رفاه روانی گره خورده است.

این پژوهش پتانسیل بالای سنجش همسویی عاطفی را به عنوان یک شاخص تشخیصی و پیامدهای درمانی نوین برجسته می‌کند. با استفاده از این رویکرد، متخصصان سلامت روان قادر خواهند بود تا فرایندهای درونی مراجعان خود را با دقت بیشتری درک کرده، پیشرفت درمان را به صورت پویا نظارت نمایند و مداخلات خود را به شکلی اثربخش‌تر شخصی‌سازی کنند. توسعه ابزارهای مبتنی بر NLP که قادر به تحلیل همسویی عاطفی هستند، می‌تواند به طور قابل توجهی کیفیت و دسترسی به خدمات سلامت روان را در سطح جهانی ارتقاء دهد.

در نهایت، این مقاله راه را برای تحقیقات آتی هموار می‌سازد تا با بهره‌گیری از قدرت NLP، به درک عمیق‌تر و جامع‌تری از پیچیدگی‌های ذهن انسان و چگونگی بهبود آن در بستر درمانی دست یابیم.