20.500.12556/RUL-168083 Zaznavanje in napovedovanje faznih prehodov v duševnem zdravju iz besedilnih podatkov Detection and forecasting of phase transitions in mental health from text data Zaznavanje in napovedovanje faznih prehodov duševnega zdravja je ključnega pomena za učinkovito psihoterapevtsko obravnavo in posredovanje. Kompleksna dinamika in teorija kaosa sta se uveljavili kot uporabni orodji za razumevanje mentalnih procesov ljudi, ki trpijo za duševnimi težavami. Omogočata vpogled v prisotnost faznih prehodov in kaotičnih vzorcev, za katere sta značilni nepredvidljivost in občutljivost na začetne pogoje. Fazni prehod (FP) je pojav v psihoterapiji, ki predstavlja točko spremembe v klientovi multivariatni časovni vrsti in se lahko psihološko kaže kot npr. sprememba stopnje depresije \cite{schiepek2020}. Namen tega magistrskega dela je bil razviti metode procesiranja naravnega jezika (angl. \textit{natural language processing}, v nadaljevanju NLP) in strojnega učenja za uporabo dnevniških zapisov za zaznavanje in napovedovanje FP. Uporabljeni nabor podatkov, sestavljen iz dnevniških zapisov klientov, je bil zbran med psihoterapevtskim procesom v bolnišnični psihiatrični oskrbi. Najprej so bile metode NLP uporabljene za predobdelavo besedilnih podatkov in iz dnevniških besedil pridobljene značilnosti, kot so analiza sentimenta (določanje čustev v besedilu) in različni jezikovni vzorci (ponavljajoče se strukture in ureditve besed v besedilu). Zatem je bil skupaj z metodami strojnega učenja uporabljen algoritem PTDA (\textit{Pattern Transition Detection Algorithm}) \cite{viol2022ptda} za prepoznavanje faznih prehodov v časovnih vrstah, ki jih sestavljajo značilnosti, pridobljene z metodami NLP. PTDA uporablja načela kompleksne dinamike za analizo različnih dinamičnih vidikov podatkov in odkrivanje pomembnih sprememb ali premikov v vzorcih. Z ocenjevanjem dinamičnih značilnosti, kot sta povprečna sprememba in periodičnost, PTDA omogoča vpogled v pojav faznih prehodov. Nazadnje je bil razvit model za napovedovanje, s katerim je mogoče ne le določati, temveč tudi z določeno natančnostjo napovedati, kdaj v prihodnosti bo prišlo do FP. Uspešnost modela za zaznavanje in napovedovanje je bila ocenjena na podlagi dejanskih podatkov o FP, ki izhajajo iz strokovne ocene psihoterapevtskega strokovnjaka. Ključne ugotovitve so pokazale, da metode, nadgrajene z metodami strojnega učenja, prekašajo tradicionalne pristope za zaznavanje FP. Opazen 52\% napredek v natančnosti detekcije (merjen z zmanjšanjem MSE) je bil dosežen z združevanjem značilnosti, pridobljenih iz vprašalnika in značilnosti, pridobljenih iz besedila. Eksperimenti za prihodnje napovedovanje FP so pokazali, da se značilnosti, pridobljene iz vprašalnikov bolje obnesejo pri kratkoročnih napovedih, medtem ko značilnosti iz besedila izboljšajo dolgoročne napovedi. Najvišja natančnost je bila dosežena z uravnoteženim kombiniranjem značilnosti iz vprašalnika in besedila, kar nakazuje na komplementarno naravo teh vrst podatkov. Namen študije je pokazati potencial metod NLP pri določanju in napovedovanju FP v duševnem zdravju na podlagi dnevniških zapisov. Z združevanjem kompleksne dinamike z metodami NLP lahko raziskovalci in zdravstveni strokovnjaki pridobijo celovitejše razumevanje procesov v duševnem zdravju ter razvijejo učinkovitejše obravnave in posredovanja. Detecting and forecasting mental health phase transitions is crucial for effective psychotherapeutic treatment and intervention. Complex dynamics and chaos theory have emerged as useful tools for understanding the mental processes of people suffering from mental problems. They provide insight into the presence of phase transitions and chaotic patterns, whereby the phase transition (PT) is a phenomenon in psychotherapy, which represents a point of change in client’s multivariate time series and can be psychologically manifested as, for example, a change in the level of depression [1]. The dataset used, consisting of client diary entries, was collected during psychotherapeutic process in inpatient psychiatric care. The methods explored in the thesis aim to enhance PT detection and forecasting accuracy by integrating questionnaire-based features (QF) with text-derived features extracted from unstructured client diary entries. Leveraging ML and NLP techniques, the study aims to address the limitations of traditional quantitative-only approaches by incorporating rich textual data. NLP methods were used to preprocess the textual data and extract features from the diary texts, such as sentiment analysis (identifying emotions in the text) and different linguistic patterns (repetitive words etc.). Afterwards, ML methods were used together with the Pattern Transition Detection Algorithm (PTDA) [2] to identify PTs in the time series consisting of features extracted by NLP methods. PTDA uses complex dynamics principles to analyze different dynamic aspects of the data and detect significant changes or shifts in patterns. By estimating dynamic features such as average change and periodicity, PTDA provides insight into the occurrence of PTs. Finally, a forecasting model was developed which was not only able to detect, but also to forecast with some accuracy when PTs will occur in the future. The performance of the detection and forecasting model was assessed on the basis of ground truth data on PT, derived from the expert assessment of the psychotherapeutic time series. Key findings demonstrated that ML-extended methods outperform traditional PT detection approaches. A notable 52% improvement in detection accuracy (measured by a decrease in MSE) was achieved when combining QF and text-derived features. Forecasting experiments revealed that QF features excel in short-term predictions, while text-derived features enhance longer-term forecasting. The highest accuracy was achieved with a balanced combination of QF and text features, highlighting the complementary nature of these data types. The aim of this study is to demonstrate the potential of NLP methods in identifying and forecasting PT in mental health health based on diary entries. By combining complex dynamics with NLP methods, researchers and health professionals can gain a more comprehensive understanding of the processes in mental health and develop more effective treatments and interventions. duševno zdravje fazni prehod kompleksna dinamika procesiranje naravnega jezika psihoterapija strojno učenje complex dynamics machine learning mental health natural language processing phase transition psychotherapy true false false L. Kovač Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-03-28 09:25:35 2025-03-28 09:25:41 2025-04-02 09:22:45 0000-00-00 00:00:00 2025 0 Ljubljana 0 Ljubljana 64 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 616.89(043.2) 183292 231100675 39135.pdf 39135.pdf 1 531AA8FF2F249B40B5FAEEA6B7F3CB31 cf08520eb4a141e2ad129dca2342fac3b56996b91370bdd627b9546904b5c278 3397180a-0bad-11f0-b232-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=201081 Pedagoška fakulteta 0 0 0