Abstract

Negli ultimi anni l’utilizzo dell’Intelligenza Artificiale (IA) è diventato massivo nell’ambito della ricerca in quasi tutti i settori del mercato, della medicina e, in generale, della scienza sia naturale sia umanistica. Restano, tuttavia, ancora alcuni campi, come quello psicoterapeutico, in cui non si è ancora sviluppata una riflessione circa i possibili usi e abusi dell’implementazione di algoritmi di IA. Sulla scia dell’entusiasmo per le potenzialità dell’IA, la tecnica, sempre più autoreferenziale, si allontana dall’impianto teorico-filosofico da cui prende le mosse, dimenticando le persone in quanto esistenze, e l’oggetto a cui si rivolge, inteso come soggetto, sia esso un consumatore o un utente o un paziente. L’IA serve a migliorare un prodotto o uno strumento che si rivolge alle persone, intese come esistenze, e allo stesso tempo è da esse progettato.

Nello specifico della medicina e della psichiatria, l’IA fa il suo ingresso come strumento di aiuto, per gli specialisti e gli operatori del settore, nel processo di diagnostica. Tuttavia, nell’ambito della salute mentale, e in particolare della cura dei disturbi mentali, entra in gioco, ancor più che nei contesti prettamente medici, il ruolo della psicoterapia come strumento di cura e di dialogo tra uno specialista e i modi-di-essere e di fare esperienza del paziente.

In questa analisi proponiamo una riconsiderazione, fondata sulla natura ontologica della diade paziente-psicoterapeuta, che renda proficua l’introduzione delle tecniche di IA in quanto supporto ai processi e agli esiti in psicoterapia.

Introduzione

Ad ora, in medicina, l’IA è molto utilizzata per finalità diagnostiche, ad esempio per l’individuazione di forme cancerogene, a vantaggio della quale è stata rilevata, in alcuni casi, una maggiore precisione dei sistemi implementati rispetto a quella di medici esperti (Liu et al., 2018).

In medicina, l’oggetto di studio è il corpo biologico della persona, i cui parametri, necessari ad esempio alla diagnosi di eventuali malattie, sono standardizzabili; in ambito psichiatrico e psicologico, invece, tecniche di IA vengono ad oggi implementate per la farmacopea degli antidepressivi o degli ansiolitici (Horn & Weitz, 2020), ma anche per la previsione del comportamento aggressivo in base all’analisi di materiale testuale valutativo, o di scale standardizzate per la valutazione della rabbia. In psicoterapia, invece, entrano in gioco aspetti cognitivi, quali le caratteristiche della personalità del paziente, gli aspetti emotivi e comportamentali, così come le caratteristiche personologiche del terapeuta. Essendo l’oggetto di studio dell’IA un soggetto, un Esser-ci (Heidegger, 1927; Liccione 2011, 2019), per gli algoritmi diventa un compito arduo quantificare gli aspetti personologici sopracitati.

Esistono strumenti di IA – sviluppati da un ramo di quest’ultima, denominata Natural Language Processing (NLP) – che permettono di trovare i topic significativi di una terapia attraverso l’analisi del materiale testuale, che in questo ambito è costituito dai trascritti terapeutici.

In ambito psicoterapeutico la ricerca dovrà, tuttavia, essere sempre integrata dalla valutazione qualitativa dello specialista, in quanto i dati risultanti dovranno essere interpretati alla luce sia della storia di vita dei pazienti sia dell’esperienza del terapeuta (Gelo et al., 2008; Gelo et al., 2020).

L’ermeneutica come sfondo teorico della ricerca in psicoterapia

La psicoterapia è considerata la pratica clinica elettiva per differenti forme psicopatologiche. Vari modelli psicoterapeutici si sono dimostrati efficaci nella prevenzione del disagio mentale in soggetti fragili e/o predisposti a sviluppare forme conclamate di psicopatologia (American Psychological Association, APA, 2006). La Process-Outcome Research è, nello specifico, il filone di ricerca che ha l’obiettivo di studiare l’efficacia degli interventi psicoterapeutici, spiegandone l’outcome clinico alla luce dei processi psicologici che lo hanno generato (Tompkins & Swift, 2014).

Una delle metodologie più promettenti per indagare il processo psicoterapeutico è l’analisi dei trascritti dei colloqui clinici (Milbrath et al., 1995). Non essendo possibile accedere all’esperienza vissuta “in prima persona” dal paziente, il ricercatore è obbligato a fare riferimento ad aspetti comportamentali osservabili e misurabili, che risultino in qualche modo associabili all’esperienza stessa (Liccione, 2019). Tra questi, l’analisi dei trascritti dei colloqui psicoterapeutici si è dimostrata una metodologia d’indagine affidabile per valutare il grado di cambiamento dei modi di essere del paziente (Gelo et al., 2010; Buurma, 2015), e gli aspetti di validità concorrente tra differenti forme di terapie (Krebs et al., 2018), nonché la dinamica (processo) dei cambiamenti osservati nel corso delle terapie stesse (Norcross et al., 2011).

L’ermeneutica è una tradizione filosofica che considera la comprensione umana come un modo fondamentale di essere, e non solo di conoscere. Nel secolo scorso, Martin Heidegger, Hans George Gadamer e Paul Ricoeur sono stati, tra gli altri, i più importanti rappresentanti di una nuova e congruente visione dell’uomo: l’essere umano è ontologicamente rappresentato come un soggetto-nel-mondo, che è incorporato, incarnato, impegnato e temporalmente situato con il sé, il mondo e gli altri (Liccione, 2011; Suddick et al., 2021). È in questo mondo, e grazie a esso, che cresciamo come esseri umani, e veniamo a conoscere noi stessi e gli altri. Le pratiche sociali, dunque, generano un contesto in cui le nostre parole, le nostre esperienze e le nostre vite hanno un significato (Liccione, 2011).

L’ermeneutica, seguendo un punto di vista epistemologico, è, inoltre, la teoria delle operazioni di comprensione in relazione con l’interpretazione dei testi (Ricoeur, 1969; Liccione, 2011). L’interpretazione nello specifico è un’attività ermeneutica che dipende dalle caratteristiche del testo (testo scritto, comportamento umano, simboli, ecc.), ma anche dai contesti storici, geografici e culturali di chi ha prodotto il testo e di chi lo interpreta. L’interpretazione ermeneutica del testo può essere applicata a diversi ambiti. Nella fattispecie della metodologia psicoterapeutica, la storia riportata dal paziente è l’oggetto dell’interpretazione: il testo (Ricoeur, 1986; Liccione, 2013).

Lo psicoterapeuta è colui che interpreta il testo in base al contesto, all’interno del quale il testo del paziente è inserito. La capacità di organizzare l’esperienza personale in una cornice di significato è connessa al processo di costruzione dell’identità personale, che avviene attraverso la narrazione (Liccione, 2011; 2013; 2019). In altre parole, il fenomeno viene osservato e contestualizzato alla luce della storia del soggetto; si ha così una comprensione autentica della persona, non passibile di riduzioni o categorizzazioni. Pertanto, la psicoterapia e l’ermeneutica possono dialogare quando si tratta di interpretare il testo portato dal paziente, senza assumere un approccio aprioristico e teorico. I terapeuti, insieme ai pazienti, lavorano per catturare le narrazioni patologiche e poi riscrivere le loro vite in modi più congruenti con la realtà da loro vissuta (Ricoeur, 1986; Chessick, 1990; Liccione, 2011).

Tecniche di Text Mining e trascritti terapeutici

Lo sviluppo recente di sistemi di IA applicati al campo medico ha rivoluzionato sia la ricerca sia la pratica clinica e diagnostica, così come i trattamenti nel campo della salute mentale (Bucci et al., 2019). I sistemi di machine learning, grazie alla loro capacità di apprendere dai dati forniti dai ricercatori – usando algoritmi processati da software di programmazione – si sono rilevati molto utili nella previsione e nell’organizzazione di grandi quantità di informazioni (Kaplan & Di Salvo, 2017).

Tra i diversi usi che possono essere fatti dei sistemi di machine learning, un fiorente ramo della ricerca si è concentrato sul Text Mining attraverso sistemi di Text Analysis (Abbe et al., 2016). Il Text Mining identifica l’insieme di quelle tecniche di IA che trasformano i testi scritti in dati numerici, leggibili da un sistema informatico (vettori numerici) (Buurma, 2015).

Le tecniche utilizzate da questi sistemi – che coniugano algoritmi di IA, analisi statistica e computazione linguistica – permettono di rilevare informazioni e di monitorare i cambiamenti occorsi durante i colloqui attraverso l’analisi di frasi e parole (Cohen et al., 2008). Per raggiungere questi risultati, tali sistemi sono istruiti per identificare topic semantici (vedi oltre), per contare le parole, e poi creare grafici di connessione tra quelle più utilizzate o maggiormente significative, e così via (Abbe et al., 2016).

Un testo scritto – nel nostro caso la trascrizione di colloqui psicoterapeutici – può essere studiato secondo differenti livelli di analisi, perlopiù dipendenti dalle unità di base di significato che il ricercatore decide di utilizzare (Traini, 2008); queste possono essere singole parole, frasi o parti di frasi (bag of words), oppure unità semantiche compiute categorizzabili (es., un’intera frase il cui significato risulta riferibile a un certo nucleo semantico – famiglia – lavoro – affettività ecc.).

In questo ultimo caso l’unità semantica compiuta si definisce Topic. Come dice Traini, il Topic è una scelta pragmatica, che definisce di cosa si sta parlando (Traini, 2008). Inoltre, la suddivisione di un testo in n-Topic dipende dagli obiettivi di ricerca (ai nostri fini, ad esempio, nell’ambito della ricerca sul processo psicoterapeutico i Topic significativi potrebbero essere: relazione affettiva, occupazione/studio, relazioni sociali, sintomatologia, modi di essere, relazione terapeutica, progettualità, ecc.).

Per “testo terapeutico” si intende tutto ciò che viene detto nel contesto di una psicoterapia, cioè tutta la comunicazione verbale e non verbale.

Il Text Mining ha lo scopo di scoprire informazioni in un corpus di testi, spesso di grandi dimensioni, combinando approcci che coinvolgono la linguistica, la statistica e l’informatica (Cohen et al., 2008). Il Topic Model (TM) è considerato uno strumento promettente per l’osservazione dei cambiamenti che occorrono durante un processo psicoterapeutico (Griffith et al., 2007; Imel et al., 2015. Il TM è un metodo di indagine testuale che permette di esplorare i cambiamenti all’interno di un testo (Imel et al., 2015).

Durante una psicoterapia emergono diversi topic. Un topic è un gruppo di significati che emerge all’interno di un colloquio psicoterapeutico e si sviluppa nel corso dei diversi colloqui a venire. Una delle caratteristiche dei sistemi di text analysis è di essere addestrati per osservare queste categorie o attraverso precise istruzioni o in modo autonomo mediante prove ed errori, avendo a disposizione un ampio dataset (Steyvers e Griffiths, 2007). Due algoritmi che sembrano essere elettivi per questo tipo di indagine sono: la Latent Dirichlet Allocation (LDA) (Blei et al., 2003; Blei, 2012) e la Latent Semantic Analysis (LSA) (Evangelopoulos, 2013).

La LSA è un algoritmo di intelligenza artificiale usato per trovare le similarità tra termini e documenti e per categorizzarli (Blei et al., 2003). La LSA si basa sull’ipotesi distribuzionale della linguistica computazionale, secondo la quale due parole sono tanto più simili, quanto più tendono a comparire nello stesso contesto linguistico (Sahlgren, 2008; Baroni et al., 2014). Una sua possibile applicazione potrebbe essere quella di identificare nuovi topic, attraverso il raggruppamento di parole ed espressioni in gruppi semantici.

La LDA sembra essere un metodo promettente per identificare fattori semantici latenti basati sulla co-occorrenza di parole (Gaut et al., 2015). Permette, inoltre, di scoprire la distribuzione dei topic per ogni sessione e la distribuzione delle parole per ogni topic (Atkins et al., 2012). L’uso della LDA sui dati ricavati dalla trascrizione di una psicoterapia potrebbe permettere ai ricercatori di ricavare contenuti rilevanti (es., sintomi, relazioni affettive, macrocontesto esistenziale, ecc.) e, più in generale, di approfondire cosa succede durante i colloqui e quale specifica variabile è associata a un risultato migliore o a quale specifica variabile esso è associato (Imel et al., 2015). L’assunto di base della LDA è che un documento rappresenta una miscela di k topic in proporzioni differenti (Blei et al, 2003), dove ogni topic è caratterizzato da una distribuzione probabilistica di parole (Blei, 2012).

Il dataset deve essere composto da uno o più colloqui, e ogni documento dovrebbe risultare semanticamente coerente ed essere composto da un numero variabile di topic (Atzil-Slonim et al., 2021). Vi sono inoltre diversi software che possono essere utilizzati per la text analysis: uno di questi è MATLAB, un software di programmazione per il calcolo e per la visualizzazione grafica di andamenti e flussi in base a set di dati (MATLAB and Statistics Toolbox Release 2012b).

Conclusioni

L’ermeneutica è l’insieme delle tecniche utilizzate per interpretare un testo. Per Ricoeur l’interpretazione è: «[…] il lavoro mentale che consiste nel decifrare il senso nascosto nel senso apparente, nel dispiegare i livelli di significazione impliciti nella significazione letterale» (Ricoeur, 1982, p. 26).

L’interpretazione è una attività ermeneutica dipendente dalle caratteristiche di un testo, ma anche dai contesti storici, culturali, geografici di chi produce il testo stesso e di coloro che lo interpretano. All’interno della metodologia psicoterapeutica, la storia che il paziente riporta (il testo) è l’oggetto dell’interpretazione, mentre lo psicoterapeuta è colui che interpreta il testo. Il terapeuta lavora con il paziente sulla narrazione patologica e rifigura i significati del racconto, in modo che da ora in avanti essi diventino identitari per il paziente stesso (Ricoeur, 1982; Liccione, 2019).

L’approccio ermeneutico ben si presta a essere associato a tecniche di Text Mining, proprio perché l’ermeneutica in psicoterapia è fondamentale per analizzare i significati del colloquio terapeutico. Attraverso algoritmi di text analysis, come quelli visti sopra delle LDA e LSA, i ricercatori hanno la possibilità di esplorare in modo innovativo i dati linguistici prodotti durante i colloqui psicoterapeutici (Smink et al., 2019).

La prossima sfida sarà quella di introdurre l’IA all’interno della diade psicoterapeuta-paziente in modo tale da permettere usi funzionali – e non abusi – del processo terapeutico nel suo insieme. Il miglioramento della ricerca e della pratica in psicoterapia deve tenere conto di tali strumenti, mettendoli al servizio, e integrandoli, con modalità psicoterapeutiche, che tengano conto dell’individuo in quanto soggetto (l’Esser-ci di Heidegger).

Luisa Siciliano
Department of Brain and Behavioural Sciences
University of Pavia, Pavia, Italy

Luisella Daziano
Lombard School of Cognitive-Neuropsychological Psychotherapy (SLOP),
Pavia and Padova, Italy

Davide Liccione
Lombard School of Cognitive-Neuropsychological Psychotherapy (SLOP),
Pavia and Padova, Italy
Department of Brain and Behavioural Sciences,
University of Pavia, Pavia, Italy

Bibliografia

• Abbe, A., Grouin, C., Zweigenbaum, P., & Falissard, B. (2016). Text mining applications in psychiatry: a systematic literature review. International Journal of Methods in Psychiatric Research, 25(2), 86-100.
• APA Task Force on Evidence-Based Practice. (2006). Evidence-based practice in psychology. American Psychologist, 61, 271–285. DOI: 10.1037/0003-066X.61.4.271
• Atkins, D. C., Rubin, T. N., Steyvers, M., Doeden, M. A., Baucom, B. R., & Christensen, A. (2012). Topic models: a novel method for modeling couple and family text data. Journal of Family Psychology, 26(5), 816.
• Atzil-Slonim, D., Juravski, D., Bar-Kalifa, E., Gilboa-Schechtman, E., Tuval-Mashiach, R., Shapira, N., & Goldberg, Y. (2021). Using topic models to identify clients’ functioning levels and alliance ruptures in psychotherapy. Psychotherapy.
• Baroni, M., Bernardi, R., & Zamparelli, R. (2014). Frege in space: A program for compositional distributional semantics. Linguistic Issues in language technology, 9, 241-346.
• Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003). Latent dirichlet allocation. Journal of machine Learning research, 3(Jan), 993-1022.
• Blei, D. M. (2012). Probabilistic topic models. Communications of the ACM, 55(4), 77-84.
• Bucci, S., Schwannauer, M., & Berry, N. (2019). The digital revolution and its impact on mental health care. Psychology and psychotherapy, 92(2), 277–297 [https://doi.org/10.1111/papt.12222].
• Buurma, R. S. (2015). The fictionality of topic modeling: Machine reading Anthony Trollope’s Barsetshire series. Big Data & Society.
• Chessick R. D. (1990). Hermeneutics for psychotherapists. American Journal of Psychotherapy, 44(2), 256–273 [https://doi.org/10.1176/appi.psychotherapy.1990.44.2.256].
• Cohen, K. B., & Hunter, L. (2008). Getting started in text mining. PLoS computational biology, 4(1), e20 [https://doi.org/10.1371/journal.pcbi.0040020].
• Evangelopoulos, N. E. (2013). Latent semantic analysis. Wiley Interdisciplinary Reviews: Cognitive Science, 4(6), 683-692.
• Gaut, G., Steyvers, M., Imel, Z. E., Atkins, D. C., & Smyth, P. (2015). Content coding of psychotherapy transcripts using labeled topic models. IEEE Journal of Biomedical and Health Informatics, 21(2), 476-487.
• Gelo, O., Braakmann, D., & Benetka, G. (2008). Quantitative and qualitative research: beyond the debate. Integrative Psychological & Behavioral Science, 42(3), 266–290 [https://doi.org/10.1007/s12124-008-9078-3].
• Gelo O., Auletta C., A. F., & Braakmann D. (2010). Aspetti teorico-metodologici e analisi dei dati nella ricerca in psicoterapia. Parte I: La ricerca sull’esito e la ricerca sul processo dagli anni ’50 agli anni ’80. Research in Psychotherapy: Psychopathology, Process and Outcome, 13(1), 61-91.
• Gelo O., Lagetto G., Dinoi C., Belfiore E., Lombi E., Blasi S., Aria M. & Ciavolino E. (2020). Which methodological practice(s) for psychotherapy science? A systematic review and a proposal. Integrative Psychological and Behavioral Science, 54(1), 215-248.
• Griffiths, T. L., Steyvers, M., & Tenenbaum, J. B. (2007). Topics in semantic representation. Psychological review, 114(2), 211.
• Heidegger M. (1927). Essere e tempo. Trad. it di P. Chiodi rivista da F. Volpi, Longanesi, Milano 2009.
• Horn, R. L., & Weisz, J. R. (2020). Can Artificial Intelligence Improve Psychotherapy Research and Practice? Administration and Policy in Mental Health, 47(5), 852–855 [https://doi.org/10.1007/s10488-020-01056-9].
• Imel, Z. E., Steyvers, M., & Atkins, D. C. (2015). Computational psychotherapy research: Scaling up the evaluation of patient–provider interactions. Psychotherapy, 52(1), 19.
• Kaplan, J., & Di Salvo, P. (2017). Intelligenza artificiale: guida al futuro prossimo. Luiss University Press.
• Krebs, P., Norcross, J. C., Nicholson, J. M., & Prochaska, J. O. (2018). Stages of change and psychotherapy outcomes: A review and meta-analysis. Journal of Clinical Psychology, 74(11), 1964.
• Liccione D., (2011). Psicoterapia cognitiva neuropsicologica. Bollati Boringhieri, Torino.
• Liccione D., (2013) Verso una neuropsicopatologia ermeneutica. Rivista internazionale di filosofia e psicologia, Vol.4, n.3, pp. 305-324.
• Liccione D., (2019). Psicoterapia cognitiva neuropsicologica. Nuova edizione ampliata, rivista e aggiornata. Bollati Boringhieri, Torino.
• Liu, X., Chen, K., Wu, T., Weidman, D., Lure, F., & Li, J. (2018). Use of multimodality imaging and artificial intelligence for diagnosis and prognosis of early stages of Alzheimer’s disease. Translational research: the journal of laboratory and clinical medicine, 194, 56–67 [https://doi.org/10.1016/j.trsl.2018.01.001].
• MATLAB and Statistics Toolbox Release 2012b, The MathWorks, Inc., Natick, Massachusetts, United States.
• Milbrath C., Bauknight R., Horowitz M., Amaro R. & Sugahara C. (1995). Sequential Analysis of Topics in Psychotherapy Discourse: Single-Case Study. Psychotherapy Research, 5:3, 199-217, DOI: 10.1080/10503309512331331316.
• Norcross, J. C., Krebs, P. M., & Prochaska, J. O. (2011). Stages of change. Journal of Clinical Psychology, 67(2), 143–154.
• Ricoeur P. (1986). Dal testo all’azione. Saggi di ermeneutica. Trad. it di G. Grampa, Jaca Book, Milano 2003.
• Ricoeur P. (1982). Il conflitto delle interpretazioni. Editoriale Jaca Book, p. 26. Prima pubblicazione: 1969.
• Sahlgren, M. (2008). The distributional hypothesis. Italian Journal of Disability Studies, 20, 33-53.
• Smink, W. A., Fox, J. P., Tjong Kim Sang, E., Sools, A. M., Westerhof, G. J., & Veldkamp, B. P. (2019). Understanding therapeutic change process research through multilevel modeling and text mining. Frontiers in psychology, 10, 1186.
• Steyvers, M., & Griffiths, T. (2007). Probabilistic topic models. In Handbook of Latent Semantic Analysis (pp. 439-460). Psychology Press.
• Suddick, K. M., Cross, V., Vuoskoski, P., Stew, G., & Galvin, K. T. (2021). Holding space and transitional space: stroke survivors’ lived experience of being on an acute stroke unit. A hermeneutic phenomenological study. Scandinavian Journal of Caring Sciences, 35(1), 104–114 [https://doi.org/10.1111/scs.12824].
• Tompkins, K. A., & Swift, J. K. (2014). Psychotherapy process and outcome research. The encyclopedia of clinical psychology, 1-7.
• Traini, S. (2008). Le due vie della semiotica. Teorie strutturali e interpretative. Bompiani. Milano.

© COPYRIGHT Illustrazione di Raffaella Cocchi per BRAINFACTOR Tutti i diritti riservati.