Autor/autores:
Martin Steppan; Ronan Zimmermann; Lukas Fürer...(et.al)
Antecedentes Los avances recientes en el aprendizaje automático han revolucionado el análisis de la expresión emocional facial al permitir el rastreo preciso de emociones, incluidas las microexpresiones, con alta resolución. Estas innovaciones prometen transformar la investigación en psicoterapia, reemplazando métodos tradicionales y laboriosos como el S...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Los avances recientes en el aprendizaje automático han revolucionado el análisis de la expresión emocional facial al permitir el rastreo preciso de emociones, incluidas las microexpresiones, con alta resolución.
Estas innovaciones prometen transformar la investigación en psicoterapia, reemplazando métodos tradicionales y laboriosos como el Sistema de Codificación de Acciones Faciales. Sin embargo, aún es necesario evaluar si estas tecnologías pueden integrarse de manera confiable en entornos clínicos naturales y cómo sus hallazgos se correlacionan con los resultados terapéuticos.
El presente estudio buscó validar la capacidad de los clasificadores de emociones basados en aprendizaje automático para identificar la expresión emocional en sesiones de psicoterapia en un entorno naturalista. Además, exploró cómo estas medidas se relacionan con los resultados del tratamiento.
Se aplicó un clasificador de emociones de aprendizaje automático a 389 grabaciones de sesiones psicoterapéuticas de 23 pacientes con patología de personalidad limítrofe.
Los resultados obtenidos se compararon con evaluaciones humanas utilizando la escala de Excitación Emocional del Cliente (CEAS). Posteriormente, se investigaron las asociaciones entre las expresiones emocionales detectadas y los resultados del tratamiento, incluyendo la mejora sintomática y el riesgo de abandono.
Las calificaciones de aprendizaje automático coincidieron significativamente con las evaluaciones humanas, mostrando validez en la detección de emociones.
Las expresiones de emociones positivas, como la sonrisa y la felicidad, mostraron una relación estadísticamente significativa con mejores resultados terapéuticos.
Los pacientes con mayor frecuencia de manifestaciones emocionales positivas presentaron una mejora continua en los síntomas ( r = 0, 49, p < 0, 05) y un tamaño de efecto medio en los resultados del tratamiento divididos por la mediana ( d = 0, 3). Por otro lado, aquellos pacientes que abandonaron la psicoterapia presentaron patrones emocionales distintivos, como mayor neutralidad facial y menos sonrisas sociales, especialmente al inicio de las sesiones.
Estos hallazgos sugieren que las expresiones emocionales iniciales pueden ser un indicador de compromiso terapéutico y riesgo de abandono.
El reconocimiento emocional basado en aprendizaje automático es una herramienta prometedora para la investigación y práctica psicoterapéutica.
Este enfoque ofrece nuevas posibilidades para identificar dinámicas emocionales relevantes y riesgos clínicos, como el abandono temprano. Integrar estas tecnologías en la práctica puede optimizar la personalización de las intervenciones, mejorar los resultados y permitir un seguimiento más efectivo del progreso emocional de los pacientes en tiempo real.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://karger. com/
