پژوهشی تازه در Scientific Reports چارچوبی محاسباتی برای بررسی مقاصد ارتباطی در گفتوگوی رواندرمانی معرفی کرده است. پژوهشگران مدلهای زبانی بزرگ متنباز را برای برچسبگذاری نوبتهای گفتوگوی درمانگر و مراجع تنظیم دقیق کردند و سپس با تحلیل شبکه، الگوهای تکرارشوندهٔ تعامل را ترسیم کردند. این مطالعه دربارهٔ تحلیل پژوهشی گفتوگو است؛ نه یک درمانگر هوش مصنوعی یا ابزار تصمیمگیری بالینی.
مدل روی چه دادهای آزموده شد؟
مبنای کار، نظام رسمی کدگذاری مقاصد در گفتمان رواندرمانی و پیکرهای از گفتوگوهای درمانگر–مراجع بود. متخصصان ابتدا ۴٬۳۲۵ نوبت گفتوگو را برچسبگذاری کردند. مدلهای متنباز با این زیرمجموعه آموزش دیدند و سپس برای برچسبگذاری پیکرهٔ بزرگتر، شامل ۳۰٬۷۲۴ گفتهٔ درمانگر و مراجع، به کار رفتند.
در میان مدلهای دارای مجوز باز، نسخهٔ تنظیمدقیقشدهٔ Qwen3-8B بهترین عملکرد را داشت. امتیاز F1 وزنی آن برای تشخیص مقاصد درمانگر ۰٫۸۰ و برای مقاصد مراجع ۰٫۸۵ بود. مدل مقاصد مربوط به تبادل اطلاعات را بهتر تشخیص داد، اما در دستههای هیجانی و ارزشیابی دقت کمتری داشت؛ همان بخشهایی که ظرافت رابطهای و بافت بالینی اهمیت بیشتری پیدا میکند.
تحلیل شبکه چه الگویی نشان داد؟
پژوهشگران توالی مقاصد ارتباطی را بهشکل یک شبکه مدل کردند. الگوریتم Louvain چهار خوشهٔ تکرارشونده را جدا کرد که نویسندگان آنها را حمایتی، تأملی، تفسیری و حل مسئله نامیدند. خوشهٔ تأملی–کاوشگرانه در مرکز شبکه قرار گرفت و میان الگوهای حمایتی، تفسیری و حل مسئله پیوند برقرار میکرد.
این نتیجه نشان میدهد مدلهای زبانی متنباز میتوانند برای بررسی پیکرههای بزرگ گفتوگوی رواندرمانی و طراحی پژوهشهای شفافتر مفید باشند. استفاده از مدل باز نیز امکان بررسی و تکرار روش را بیش از تکیه بر یک API اختصاصی فراهم میکند.
این یافته چه معنایی ندارد؟
خوشههای بهدستآمده توصیفیاند و ثابت نمیکنند یک الگوی گفتوگو مؤثرتر یا از نظر بالینی مطلوبتر است. پژوهش، پیامد درمان، اتحاد درمانی یا تغییر نشانههای مراجع را ارزیابی نکرد. همچنین افت عملکرد در مقاصد هیجانی و ارزشیابی نشان میدهد برچسبگذاری خودکار هنوز نمیتواند جای داوری متخصص را بگیرد. ارزش اصلی کار، فراهمکردن ابزاری پژوهشی در مقیاس بزرگ است، نه خودکارکردن رواندرمانی.
منابع: متن مقاله در Scientific Reports؛ DOI: 10.1038/s41598-026-71120-1.
