The Significance of Natural Language Processing and Machine Learning in Schizophasia Description. Identification of Research Trends and Perspectives in Schizophrenia Language Studies
DOI:
https://doi.org/10.12923/2353-8627/2024-0013Słowa kluczowe:
język, schizofazja, zaburzenia mowy, analiza bibliometryczna, formalne zaburzenia myśleniaAbstrakt
Wstęp: Język i mowa są istotnymi biomarkerami zaburzeń psychicznych, w szczególności schizofrenii. Zaburzenia mowy o typie schizofazji stanowią jedne z osiowych objawów psychozy, przywoływanych od początku badań nad schizofrenią. W ciągu ostatnich dwudziestu pięciu lat naukowa refleksja nad językiem w chorobach psychicznych dynamicznie dostarczała nowych danych identyfikujących złożone zjawisko patologii mowy w schizofrenii.
Materiał i metody: Przeprowadzono analizę bibliometryczną z wykorzystaniem danych SCOPUS, koncentrując się na wzorcach współwystępowania słów kluczowych w metadanych badań nad schizofazją. Do wizualizacji zgromadzonych danych w formie map wykorzystano VOSviewer.
Dyskusja: Analiza ujawniła trendy i luki w badaniach nad schizofazją. Zintegrowanie czasowych i przestrzennych wizualizacji metadanych pozwoliło zidentyfikować współcześnie podejmowane miary niespójności tekstów schizofatycznych na różnych poziomach organizacji językowej. Modelowanie słów kluczowych wykazało rosnące zainteresowanie wykorzystywaniem technik sztucznej inteligencji w opracowywaniu lingwistycznych biomarkerów schizofrenii i innych chorób psychicznych.
Wnioski: Harmonizacja metod obliczeniowych pomiaru spójności narracyjnej, dialogowej i prozodycznej jest obiecująca, szczególnie w badaniach krzyżowych obejmujących inne neurowskaźniki zaburzeń psychicznych. Opracowywanie biomarkerów językowych z wykorzystaniem szeroko pojętej sztucznej inteligencji wymaga zaangażowania multidyscyplinarnych zespołów badawczych, integrujących ekspertów z zakresu psychiatrii, neurolingwistyki, neurologopedii i inżynierii sztucznej inteligencji. Jasne regulacje dotyczące poszczególnych dziedzin są niezbędne, aby zapewnić trafne wnioski i względy etyczne. Perspektywa badań schizofazji jest szczególnie widoczna na poziomie opisów leksykalnych, semantycznych i syntaktycznych, przy jednoczesnym uwzględnieniu zmiennych afektywnych i neurofizjologicznych.
Bibliografia
1. Czernikiewicz A. Przewodnik po zaburzeniach językowych w schizofrenii, Warszawa; Instytut Psychiatrii i Neurologii: 2004.
2. Grabias S. Teoria zaburzeń mowy. Perspektywy badań, typologie zaburzeń, procedury postępowania logopedycznego, W: Grabias S, Kurkowski M. (red.) Logopedia teoria zaburzeń mowy, Lublin; UMCS: 2012: 15–73.
3. Woźniak T. Zaburzenia mowy w schizofrenii, W: Grabias S, Kurkowski M. (red.) Logopedia teoria zaburzeń mowy, Lublin; UMCS: 2012: 645-678.
4. Van Eck NJ, Waltman L. Vosviewer: A computer program for bibliometric mapping. ERIM Report Series Reference No. ERS-2009-005-LIS. 2009.
5. Waltman L, van Eck NJ. Text mining and visualization using VOSviewer. ISSI Newsletter. 2011;7(3).
6. Waltman L, van Exk NJ, Noyons ECM. A unified approach to mapping and clustering of bibliometric networks. Journal of Informatrics. 2010;4(4).
7. Andreasen N, Grove W. Thought, language, and communication in schizophrenia: Diagnosis and prognosis. Schizophr. Bull. 1986;12:348–358.
8. de Boer J. Voices: a clinical computational psycholinguistic approach to language and hallucinations in schizophrenia spectrum disorders. [Thesis fully internal (DIV), University of Groningen]. University of Groningen. Groningen 2023. doi.org/10.33612/diss.668440255.
9. Czernikiewicz A, Woźniak T. Diagnoza psychologicznych zaburzeń mowy W: Milewski S, Czaplewska E. (red.), Diagnoza logopedyczna, Gdańsk 2012.
10. Bleuler E. Dementia praecox oder Gruppe der Schizophrenien. Leipzig: Deuticke; 1911.
11. Hernandez HC. Natural Language Processing Markers for Psychosis and Other Psychiatric Disorders: Emerging Themes and Research Agenda From a Cross-Linguistic Workshop. Schizophr. Bull. 2023;49(2):86-92.
12. Firth JR. Applications of general linguistics. Philological Society. 1957;56(1):1-14.
13. Cabuk T, et al. Natural Language Processing for defining linguistic features in schizophrenia: A sample from Turkish speakers. Schizophrenia Research. 2024;266:183-189.
14. Ehlen F, et al. Linguistic findngs in persons with schizophrenia – a review of the current literature. Frontiers in Psychology. Psychology of Language. 2023;14. doi.org/10.3389/fpsyg.2023.1287706.
15. Jeong L, et al. Exploring the Use of Natural Language Processing for Objective Assessment of Disorganized Speech in Schizophrenia. Psychiatric Research & Clinical Practice. 2023;5(3). doi.org/10.1176/appi.prcp.20230003.
16. Lin PY, et al. Deep Learning for schizophrenia classification based on natural language processing – A pilot study. Research Square, 2024 PREPRINT. doi.org/10.21203/rs.3.rs-3836497/v1.
17. Ryazanskaya G, Khudyakova M. Automated Analysis of Discourse Coherence in Schizophrenia: Approximation of Manual Measures. Language Resource and Evaluation Confernce 15-16.05.2020, Proceedings.
18. Just SA, et al. Validation of natural language processing methods capturing semantic incoherence in the speech of patients with non-affective psychosis, Sec. Schizophrenia, 2023;14. doi.org/10.3389/fpsyt.2023.1208856.
19. Corona-Hernandez H, et al. Assessing coherence throught linguistic connectivities: Analysis of speech in patients with schizophrenia-spectrum disorders Schizophrenia Research. 2023;259:48-58. doi.org/10.1016/j.schres.2022.06.013.
20. Corcoran CM, Carillo F, Fernandez-Slezak D, Bedi G, Klim C, Javitt DC, Bearden CF, Cecchi GA. Prediction of psychosis across protocols and risk cohorts using automated language analysis. World Psychiatry. 2018;17:67-75. doi: 10.1002/wps.20491.
21. Guillaume BF, et al. Poverty and inequality in real-world schizophrenia: a national study. Sec. Public Mental Health. 2023;11.
22. Rezaii N, Walker E, Wolff P. A machine learning approach to predicting psychosis using semantic density and latent content analysis. NPJ Schizophrenia. 2019;5(9). doi:10.7910/DVN/K9WKPV
23. Glaz LA, et al. Machine Learning and Natural Language Processing in Mental health: Systematic Review. Journal of Medical Internet Research. 2021;23(5). doi: 10.2196/15708
24. Gutierrez ED, Corlett PR, Corcoran CM, Cecchi GA. Using automated metaphor identification to aid in detection and prediction of first episode schizophrenia, in EMNLP 2017 – Conference on Empirical Method in Natural Language Processing, Proceedings, 2017.
25. Corcoran CM, Carillo F, Fernandez-Slezak D, Bedi G, Klim C, Javitt DC, Bearden CF, Cecchi GA. Prediction of psychosis across protocols and risk cohorts using automated language analysis. World Psychiatry. 2018;17:67-75.
26. Bedi G, Carrillo F, Cecchi GA, Fernandez-Slezak D, Sigman M, Mota NB, Riberto S, Javitt DS, Copelli M, Corcoran CM. Automated analysis of free speech predicts psychosis onset in high-risk youths. NPJ Schizophrenia. 2015:1.
27. Gupta T, Hespos SJ, Horton WS, Mittal VA. Automated analysis of written narratives receals abnormalities in referential cohesion in youth at ultra high risk for psychosis. Schizophrenia Research. 2018;192:82-88.
28. Huang KU, Wu CH, Su MH, Kuo YT. Detecting unipolar and bipolar depressive disorers from elicited speech responses using latent affective structure model. IEE Trans Affect Comput. 2020;11(3):393-404.
29. Lipski W. Zaburzenia konotacji w schizofrenii. Lublin; UMCS: 2018.
Pobrania
Opublikowane
Numer
Dział
Licencja
Prawa autorskie (c) 2024 Autorzy
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa 4.0 Międzynarodowe.
