Анализ намерений терапевта и клиента с помощью больших языковых моделей и графовой симуляции

Введение

Современные психотерапевтические исследования все чаще используют вычислительные подходы для изучения взаимодействия между терапевтом и клиентом. Традиционные методы кодирования намерений основаны на ручной маркировке и ограничены небольшими выборками данных. В данной статье представлен comprehensive, на уровне turn-level, намерение-центрированный вычислительный фреймворк, который позволяет проводить крупномасштабный анализ коммуникативных намерений в психотерапевтическом дискурсе. Метод объединяет формальную Систему кодирования интенций психотерапевтического дискурса (ICSPD) и автоматизированную классификацию намерений на основе открытых больших языковых моделей (LLM) с графовым моделированием структурных паттернов взаимодействия.

Материалы и методы

Корпус диалогов терапевт-клиент

Для исследования была собрана аннотированная коллекция из 30 724 высказываний терапевта и клиента. Каждое высказывание было промаркировано одним из семи намерений в соответствии с ICPSD: информационный обмен, поддержка, рефлексия, интерпретация, оценка, эмоциональное выражение и поиск решений. Экспертная группа из трех высококвалифицированных психотерапевтов достигла значения коэффицента Краппса равного 0,82, что подтверждает высокую согласованность маркировки.

Автоматизированная классификация намерений

Для автоматизации процесса маркировки были использованы открытые большие языковые модели, работающие под лицензиями Apache 2.0/MIT. Наиболее эффективной оказалась модель Qwen‑38B, дообученная наsubset из 4 325 помеченных высказываний. Модель демонстрирует взвешенные показатели F1 равные 0,80 для намерений терапевта и 0,85 для намерений клиента. Особую эффективность модель показала в распознавании намерений информационного обмена; менее точными оказались категории эмоциональных и оценочных намерений.

Графовый анализ структурных паттернов

Каждое высказывание было представлено в виде узла графовой сети, а связи между узлами отражали последовательные взаимодействия между терапевтом и клиентом. Для обнаружения сообществ в сети был применен алгоритм Лувена. Структура сети позволила выявить четыре повторяющихся кластера взаимодействий, которые были интерпретированы как конфигурации: поддержка, рефлексия, интерпретация и поиск решений. Центральным хабом сети оказался рефлексивно-исследовательский кластер, связывающий остальные конфигурации.

Результаты

Полученные результаты демонстрируют, что открытые большие языковые модели могут обеспечить прозрачный и понятный процесс автоматизированной маркировки, что соответствует принципам репродуцируемых научных исследований. Применение графовых методов позволило выявить скрытые паттерны, которые были бы неочевидны при использовании традиционных статистических подходов. Например, рефлективные дискурсы чаще всего возникают между фазами поддержки и интерпретации, служа мостом для перехода к решению проблемных ситуаций.

Обсуждение

Полученные результаты подтверждают жизнеспособность предлагаемого расчетного фреймворка для изучения психотерапевтического взаимодействия на уровне turn-level. Широкое применение открытых моделей снижает зависимость от коммерческих API, что способствует открытости научных исследований. В то же время все еще сохраняются ограничения в распознавании эмоциональных и оценочных категорий; будущие работы могут быть сосредоточены на улучшении представлений моделей, инкорпорирующих эмпирические данные о языковых особенностях эмоциональных выражений.

Заключение

Настоящее исследование представляет собой практический пример интеграции больших языковых моделей и сетевого анализа для изучения коммуникативных интенций в психотерапевтическом диалоге. Разработанная платформа может быть использована как для крупномасштабных корпусных исследований, так и для образовательных целей, предоставляя пользователям прозрачные и понятные инструменты для автоматизированного анализа терапевтического дискурса.

Признание

Исследование проводилось в рамках государственного задания Министерства науки и высшего образования Российской Федерации, проект № 013820240020. Авторы не имеют конфликтов интересов. Данный материал опубликован в открытом доступе под лицензией Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License (CC BY-NC-ND 4.0).

Ссылки

• Panfilova, A. S., Bolshev, V. E., Latynov, V. V., Vanin, A. V., & Vlasova, A. S. (2026). Modeling communicative intentions in therapist–client dialogue using large language models and graph analysis. Scientific Reports. https://doi.org/10.1038/s41598026711201CCS
• Настоящая статья доступна бесплатно по адресу: https://creativecommons.org/licenses/by-nc-nd/4.0/.

Ключевые слова для SEO: терапевтический дискурс, классификация намерений, взаимодействие терапевт-клиент, открытые большие языковые модели, ICPSD, графовый анализ, алгоритм Лувена, поддержка, рефлексия, интерпретация, поиск решений.