Pedagogical AI in Mental Health: A Tri-Stream Fine-Tuned LLM Framework for Automated Clinical Supervision and Risk Triage

Shreeya Sharma; Ravish Gupta; Saket Kumar; Abhishek Aggarwal

Source-linked AI summary

Pedagogical AI in Mental Health: A Tri-Stream Fine-Tuned LLM Framework for Automated Clinical Supervision and Risk Triage

Shreeya Sharma, Ravish Gupta, Saket Kumar, Abhishek Aggarwal

arXiv:2608.18438v119. Aug. 2026cs.CLcs.AIcs.LG

TL;DR

Die Supervision im Bereich psychischer Gesundheit erfolgt weiterhin verzögert, während sich die Forschung weitgehend auf patientenorientierte KI statt auf Unterstützung für Supervisandinnen und Supervisanden konzentriert hat. Diese Arbeit entwickelt ein Tri-Stream-VAL-System mit dem fine-tuned Mistral-7B zur Erstellung strukturierter Supervisionsberichte und zur automatisierten Risikotriage. Dabei werden eine Genauigkeit der Technikidentifikation von 95% erreicht und die Triage-Latenz von 72 Stunden auf unter 15 Sekunden reduziert.

Problem
Die Forschung zu KI im Bereich psychischer Gesundheit hat die Supervisionsebene weitgehend vernachlässigt, auf der verzögerte Überprüfungen und begrenzte Aufsicht die Unterstützung von Trainees bei der Bewältigung klinischer Risiken einschränken.
Methode
Ein fine-tuned Mistral-7B analysiert Therapiesitzungen über visuelle, akustische und linguistische Streams hinweg, um Supervisionsberichte zu erstellen und Risiken über den D-CUI weiterzuleiten.
Ergebnisse
Auf 106 DAIC-WOZ-Sitzungen wurden eine Genauigkeit der Technikidentifikation von 95% und eine Triage-Latenz von unter 15 Sekunden erreicht.
Schlussfolgerungen und Limitationen
Das System unterstützt ein automatisiertes Screening, das Sitzungen mit sofortigem Handlungsbedarf kennzeichnet und Supervisors strukturierte Evidenz für ihre klinische Beurteilung bereitstellt.
Schlussfolgerungen und Limitationen
Die Evaluation ist auf 22 Testsitzungen, zwei Techniken und semistrukturierte Interviews mit einem virtuellen Agenten beschränkt, sodass sich die Leistung noch nicht auf naturalistische Therapie verallgemeinern lässt.

Abstract

from arXiv · show

Modern mental healthcare faces a critical shortage of senior supervisory oversight, leading to a "supervision gap" where novice therapists manage high-stakes risks with delayed professional feedback. This paper proposes a new framework utilizing a fine-tuned Mistral-7B-instruct model as an automated "Supervisor-in-the-Loop" system. By leveraging 106 sessions from the DAIC-WOZ dataset, the model performs a tri-stream analysis: (1) Therapeutic Alliance tracking via semantic adherence, (2) Latent risk prediction using attention-weighted analytics, and (3) Supervisory Triage via a Dynamic Clinical Urgency Index (D-CUI). Our multi-modal VAL (Visual-Acoustic-Linguistic) framework achieves 95% technique identification accuracy [95% CI: 75.1%-99.9%], alliance assessment MAE of 0.105 on a 5-point scale [95% CI: 0.059-0.151], therapeutic fidelity alpha = 0.423, and mean D-CUI of 0.370 [95% CI: 0.322-0.419]. Training converged in 105 steps with 85.2% loss reduction on a single Tesla T4 GPU. The system reduces supervisory triage latency from 72 hours to real time (~10 seconds per session), enabling proactive intervention in high-risk cases. The system addresses the cold-start problem through Bayesian priors and implements timestamp-based modality synchronization for robust multi-modal fusion.

1 Einleitung

Die klinische Supervision wird durch wöchentliche Besprechungsstrukturen häufig verzögert, sodass dringliche Risiken ungelöst bleiben, während die Verhältnisse von Supervisoren zu Supervisanden 1:12 überschreiten. Diese Arbeit adressiert die weitgehend vernachlässigte Supervisionsebene mit einem automatisierten Supervisor-in-the-loop, der Therapiesitzungen über VAL-Kanäle analysiert und risikopriorisierte Berichte erstellt.

Lücke in der klinischen Supervision: Die Supervisionslücke kann dazu führen, dass Offenlegungen von Suizidalität, traumatische Enthüllungen und therapeutische Brüche 72 hours lang unbesprochen bleiben, während die Verhältnisse von Supervisoren zu Supervisanden häufig 1:12 überschreiten.Die traditionelle retrospektive Fallbesprechung unterstützt die berufliche Entwicklung, wurde jedoch nicht für dringliche klinische Anforderungen konzipiert.
Forschungslücke: Die Forschung hat LLMs auf patientenorientierte Werkzeuge konzentriert und dabei die Supervision weitgehend vernachlässigt, wo Qualitätsmängel, der Umgang von Supervisanden mit Risiken und strukturelle Kapazitätsengpässe zusammenlaufen.Beispiele sind Chatbots zur Psychoedukation, Entwürfe für Dokumentationen und CBT-basierte dialogfähige Agenten.
Vorgeschlagenes System: Das vorgeschlagene System behandelt das LLM als automatisierten Supervisor-in-the-loop, der Therapiesitzungen über visuelle, akustische und linguistische Kanäle verarbeitet und strukturierte, risikopriorisierte Supervisionsberichte erstellt.Die Arbeit baut auf früheren Forschungsarbeiten der Gruppe zur Erklärbarkeit klinischer KI-Entscheidungen sowie zum Identitäts- und Zugriffsmanagement für KI-Systeme im Gesundheitswesen auf.
Tri-Stream-Architektur: Die Tri-Stream-VAL-Architektur verarbeitet gleichzeitig 100Hz-COVAREP-Audio, 30fps-OpenFace-Video und Transkripte und richtet die Modalitäten aus, indem sie diese an Äußerungsgrenzen ausrichtet.Das Design adressiert die Synchronisierung über die drei Abtastraten hinweg.
Risikopriorisierte Triage: Der D-CUI steuert die Supervision anhand der Risikowahrscheinlichkeit, der Symptomschwere, der invertierten Therapieerfahrung und der sitzungsbezogenen Volatilität der Stimmung als Eingaben.Durch die Invertierung der Therapieerfahrung verstärkt Unerfahrenheit die Dringlichkeit.

2 Verwandte Arbeiten

Die KI im Bereich psychischer Gesundheit hat sich von regelbasierten CBT-Chatbots über multimodale Erkennung bis hin zu therapeutischen Antworten auf Basis großer Sprachmodelle weiterentwickelt; frühere Systeme konzentrieren sich jedoch weiterhin auf patientenseitige Aufgaben statt auf klinische Supervision. Auch Arbeiten mit DAIC-WOZ legen den Schwerpunkt auf die Depressionsklassifikation, was ein zeitlich ausgerichtetes VAL-Framework für die Supervisionsanalyse motiviert.

Verwandte Arbeiten: Frühere Systeme umfassen regelbasiertes CBT, sprachbasierte Depressionserkennung, Transformer-basiertes Suizidrisiko-Screening und von LLMs generierte Therapieantworten [10].Woebot wurde 2017 als regelbasierter CBT-Chatbot eingeführt, während spätere Systeme auf Deep Learning, Transformer und therapeutisch anmutende LLM-Antworten ausgeweitet wurden.
Supervisionslücke: Die Literatur zielt weitgehend auf patientenseitiges Screening, Konversation, Monitoring oder Dokumentation und lässt damit die Supervisionsebene, die die klinische Qualität steuert, unberücksichtigt.Bestehende Evaluationen betonen Nutzerzufriedenheit und Symptomreduktion statt Supervisionsprüfung und klinischer Governance.
Datensatz und frühere Benchmarking-Arbeiten: DAIC-WOZ stellt semistrukturierte multimodale Interviews von 189 Teilnehmenden mit Audio, Video, Transkripten und PHQ-8-Annotationen bereit.Der Korpus ist ein multimodaler Benchmark für KI im Bereich psychischer Gesundheit, doch frühere Arbeiten konzentrierten sich hauptsächlich auf die Klassifikation von Depression und deren Schweregrad.
Multimodale Fusion: Die textbasierte Depressionserkennung auf DAIC-WOZ erreicht F1 = 0.67, Audio steigert den Wert auf 0.77, und visuelle Eingaben bringen einen weiteren inkrementellen Nutzen.Diese Zugewinne werden durch Alignment-Herausforderungen zwischen 100Hz-Audio, 30fps-Video und Text auf Äußerungsebene begrenzt, wobei ein fehlerhaftes Fusionsalignment erhebliches Rauschen verursachen kann.
Methodische Motivation: Das vorgeschlagene VAL-Framework verwendet timestamp-based windowing, um klinisch bedeutsamen zeitlichen Kontext zu bewahren und zugleich den GPU-Speicherbedarf von Cross-Modal-Attention auf Frame-Ebene zu vermeiden.Dieser bewusste Kompromiss unterscheidet Ereignisse anhand des Sitzungszeitpunkts, etwa akustische Belastung in Minute 23 gegenüber Minute 3.

3 Systemarchitektur · 3.1 Überblick · 3.2 VAL-Ingestion-Engine

Das System nutzt eine Tri-Stream-VAL-Architektur, um visuelle, akustische und linguistische Signale zu extrahieren, Sitzungsrepräsentationen zu fusionieren und Fälle über den D-CUI weiterzuleiten. Die gestufte Pipeline synchronisiert die Eingaben vor der Analyse der therapeutischen Fidelity, der Risikotriage und der Generierung supervisorischer Leitlinien.

3.1 Überblick: Der Visual Stream analysiert die fazialen Action Units von OpenFace mit 30 fps, um Affekt, Engagement und inkongruente Distress-Signale zu erkennen.Sicherheitskritische Inkongruenz umfasst die verbale Verneinung von Distress bei gleichzeitig vorhandenen fazialen Distress-Markern wie AU1 und AU4 ohne AU12.
3.1 Überblick: Der Acoustic Stream verarbeitet COVAREP-Features mit 100 Hz, darunter die F0-Variabilität und den Voice-Unvoiced-Mittelwert, um Expressivität, Flüssigkeit, Pausen, flachen Affekt und Agitiertheit zu erfassen.Diese paralinguistischen Signale erfassen Zustände, die allein der Transkripttext möglicherweise nicht abbildet.
3.1 Überblick: Der Linguistic Stream wendet Mistral-7B-instruct auf die Transkripte an, um therapeutische Techniken, Allianzmarker, Suizidgedanken und sprachliche Hinweise auf Hoffnungslosigkeit zu identifizieren.Beispiele für erkannte Techniken sind Reflective Listening und Open-Ended Questioning.
3.1 Überblick: VAL verarbeitet Therapiesitzungen über Visual-, Acoustic- und Linguistic-Streams, fusioniert die Ausgaben an Äußerungsgrenzen und leitet Fälle über den D-CUI zur Eskalation oder routinemäßigen Prüfung weiter.Die Architektur analysiert Fidelity, Affektinkongruenz und klinisches Risiko, bevor sie supervisorische Ergebnisse weiterleitet.
3.1 Überblick: Der D-CUI kombiniert Patientenrisiko, Symptomschweregrad, therapeutische Erfahrung und die intraseSSionale Volatilität der Stimmung zu einem Dringlichkeitswert für Eskalation oder routinemäßige Prüfung.Fusionierte Repräsentationen auf Sitzungsebene aus allen drei Streams fließen in diese Routing-Berechnung ein.
3.2 VAL-Ingestion-Engine: Die vierstufige Pipeline synchronisiert und normalisiert die Streams, bewertet die therapeutische Fidelity, berechnet den D-CUI und generiert supervisorische Leitlinien mit Routing.Die Sequenzierung verhindert, dass nicht ausgerichtete Fidelity-Analysen durch Rauschen verfälscht werden, und stellt sicher, dass die Triage der Berichtsgenerierung vorausgeht.

Synchronisierung der Modalitäten und zeitliche Ausrichtung … visueller Stream

Das Framework synchronisiert akustische und visuelle Streams mit den durch das Transkript definierten Äußerungsfenstern und nutzt anschließend Mistral-7B zur Analyse therapeutischer Techniken, der therapeutischen Allianz und von Risiken. Die Erkennung visueller Inkongruenz verstärkt die supervisorische Dringlichkeit gezielt, wenn verbale Beruhigung mit mimischem Distress kollidiert.

Synchronisierung der Modalitäten und zeitliche Ausrichtung: Durch das Transkript definierte Äußerungsgrenzen richten 100Hz-COVAREP-Audio und 30fps-OpenFace-Video aus und bewahren durch verlustbehaftete Aggregation die klinisch relevante zeitliche Struktur.Beide Streams werden an den Start-/Stopp-Markierungen der DAIC-WOZ-Äußerungen ausgerichtet, statt über ganze Sitzungen gemittelt zu werden.
Synchronisierung der Modalitäten und zeitliche Ausrichtung: Akustische Mittelwerte, Mittelwerte der Action Units und der Rohtext des Transkripts werden zu Sitzungsvektoren verkettet und als natürliche Sprache für Mistral-7B serialisiert.Für jeden Turn t_i werden akustische und visuelle Merkmale über [s_i:e_i] gemittelt.
Linguistischer Stream: Mistral-7B markiert Reflective Listening, Open-Ended Questioning, Allianzmarker und Risiken wie Suizidgedanken, Selbstverletzung, Hoffnungslosigkeit und Sicherheitsbedenken.Zu den Allianzmarkern gehören kollaborative Sprache, Empathie, Zielkonsens und Indikatoren für ruptures.
Akustischer Stream: COVAREP liefert die Standardabweichung von F0 und den Mittelwert von Voice Unvoiced, um Tonhöhenvariabilität, Sprachkontinuität, Stille, Zögern und Fragmentierung zu erfassen.Eine geringe F0-Varianz korreliert mit abgeflachtem Affekt bei Depression, während erhöhte Voice-Unvoiced-Werte auf Zögern oder Fragmentierung hindeuten.
Visueller Stream: OpenFace erfasst Indikatoren für Distress, Engagement und inkongruenten Affekt anhand klinisch relevanter Action Units, der Blickrichtung und verbaler–mimischer Diskrepanzen.Distress umfasst AU1, AU4 und AU15; Engagement umfasst AU12, AU26 und die Blickrichtung.
Visueller Stream: Inkongruenz wird ausgelöst, wenn das VADER-Sentiment 0.3 überschreitet, AU01 oder AU04 0.5 überschreitet und AU12 unter 0.3 bleibt.Diese Regel zielt auf die verbale Verneinung von Distress bei gleichzeitigem Heben oder Senken der Augenbrauen ohne Lächelsignal.
Visueller Stream: Wenn inkongruenter Affekt ausgelöst wird, verstärkt Δϕ=0.4 den D-CUI multiplikativ durch (1+Δϕ) und löst trotz moderater anderer Risikoindikatoren eine supervisorische Überprüfung aus.Die sicherheitskritische Rolle des visuellen Streams besteht darin, Patientinnen und Patienten zu identifizieren, deren mimischer Distress der verbalen Beruhigung widerspricht.

3.3 Analysator für therapeutische Fidelity · 3.4 Modul zur Risikotriage · Dynamic Clinical Urgency Index (D-CUI)

Der Analysator für therapeutische Fidelity quantifiziert die Adhärenz an evidenzbasierte Methoden, während der D-CUI Sitzungen anhand von Risiko, Symptomschwere, Berufserfahrung der Therapeutinnen und Therapeuten sowie Sentiment-Volatilität für die supervisorische Prüfung priorisiert. Die Bayesianische Initialisierung und die Aktualisierung anhand der Erfahrung erweitern die Triage auf Therapeutinnen und Therapeuten mit begrenzten historischen Daten.

3.3 Analysator für therapeutische Fidelity: Therapeutische Fidelity (α) ist als Kosinusähnlichkeit zwischen Session-Embeddings (VT) und Embeddings des klinischen Manuals (VM) definiert.
3.3 Analysator für therapeutische Fidelity: Fidelity-Scores über 0.5 weisen auf eine enge Adhärenz hin, Scores von 0.3 bis 0.5 auf partielle Adhärenz, und Scores unter 0.3 markieren eine Abweichung, die supervisorische Aufmerksamkeit erfordert.
Dynamic Clinical Urgency Index (D-CUI): Der D-CUI bestimmt durch die Kombination von vier klinischen und supervisorischen Faktoren, welche Sitzungen sofortige supervisorische Aufmerksamkeit und welche eine routinemäßige Prüfung erfordern.
Dynamic Clinical Urgency Index (D-CUI): D-CUI = (w1R + w2S + w3(1 − E)) · (1 + Δϕ), mit empirisch abgestimmten Gewichten w1 = 0.40, w2 = 0.35 und w3 = 0.25.
Dynamic Clinical Urgency Index (D-CUI): Risikowahrscheinlichkeit, aus dem PHQ-8 abgeleitete Symptomschwere, Berufserfahrung der Therapeutinnen und Therapeuten sowie die Sentiment-Volatilität innerhalb der Sitzung definieren die Eingaben des D-CUI.R, S und E reichen von 0 bis 1; Δϕ erfasst emotionale Instabilität, und E steht für die normalisierte Anzahl der Berufsjahre.
3.4 Modul zur Risikotriage: Der Term (1 − E) erhöht die Dringlichkeit bei Hochrisikoklientinnen und -klienten, die von Therapeutinnen und Therapeuten mit geringer Berufserfahrung behandelt werden, und unterscheidet damit supervisorische Situationen, die patientenbezogene Risikomodelle übersehen.
Dynamic Clinical Urgency Index (D-CUI): Wenn die Berufserfahrung der Therapeutin oder des Therapeuten nicht verfügbar ist, initialisiert das System E0 = 0.3 als Prior für die frühe Berufslaufbahn und aktualisiert E mittels eines exponentiell gleitenden Mittelwerts, sobald sich Sitzungsdaten ansammeln.Der Prior begünstigt bewusst eine breitere supervisorische Abdeckung.

Adressierung des Cold-Start-Problems · Sentiment-Volatilität (∆ϕ) · 3.5 Generator für supervisorische Anleitung

Das Framework adressiert die Cold-Start-Supervision mit einer Glättung von β = 0.7, sobald Erfahrungen der Therapeutinnen und Therapeuten verfügbar sind, quantifiziert die Sentiment-Volatilität anhand sequenzieller emotionaler Veränderungen und ordnet D-CUI-Werte abgestuften supervisorischen Handlungsempfehlungen zu. Unmittelbare Fälle lösen transkriptbasierte Warnungen und Sicherheitsprotokolle aus, während erhöhte Fälle einer priorisierten Überprüfung zugeführt werden.

Adressierung des Cold-Start-Problems: Die Cold-Start-Glättung verwendet β = 0.7, wobei Eobserved das dokumentierte Erfahrungsniveau der Therapeutin bzw. des Therapeuten bezeichnet, sobald dieses verfügbar ist.Der Glättungsfaktor unterstützt eine erfahrungsbewusste Initialisierung, bevor beobachtete Erfahrung verfügbar ist.
Adressierung des Cold-Start-Problems: Der Cold-Start-Mechanismus aktualisiert die Supervision anhand der dokumentierten Erfahrung der Therapeutin bzw. des Therapeuten, sobald Eobserved verfügbar wird.Diese Bedingung unterscheidet die Initialisierungsphase von der späteren erfahrungsbasierten Schätzung.
Sentiment-Volatilität (∆ϕ): Die Sentiment-Volatilität erfasst schnelle emotionale Verschiebungen innerhalb einer Sitzung, die auf Krisenzustände oder therapeutische Brüche hinweisen können.Sie wird als mittlere absolute Änderungsrate der satzweisen Sentiment-Scores berechnet.
Sentiment-Volatilität (∆ϕ): Die ∆ϕ-Berechnung legt den Schwerpunkt auf sequenzielle emotionale Übergänge statt auf die Gesamtstreuung des Sentiments.ϕ_i bezeichnet den Sentiment-Score für Satz i.
3.5 Generator für supervisorische Anleitung: D-CUI überschreitet 0.7 und löst eine Immediate alert aus, die die für die Eskalation ausschlaggebenden Transkriptzeilen sowie ein zugeordnetes Sicherheitsprotokoll enthält.Die Warnung stellt tatsächliches Quellenmaterial statt einer Zusammenfassung bereit und ermöglicht so eine supervisorische Uneinigkeit vor dem Handeln.
3.5 Generator für supervisorische Anleitung: Ein D-CUI zwischen 0.4 und 0.7 wird als Elevated klassifiziert und für eine priorisierte Überprüfung innerhalb des aktuellen Supervisionszyklus markiert.Diese Stufe liegt über der routinemäßigen Überprüfung, wird jedoch nicht als Notfall behandelt.

4 Implementierung

Die Implementierung verwendet Mistral-7B-instruct [18] mit QLoRA [19], um eine einsetzbare und auditierbare Supervision auf zugänglicher klinischer Hardware zu ermöglichen. Sie bereitet synchronisierte multimodale Trainingsdaten vor und wendet Schutzvorkehrungen für Datenschutz, Unsicherheit und die Weiterleitung von Hochrisikofällen an.

Modellauswahl: Mistral-7B-instruct [18] erfüllt institutionelle Einsatzanforderungen durch 4-Bit-Quantisierung, den On-Premise-Betrieb unter Apache 2.0 und für vorlagenbasierte Supervisionsberichte geeignete Outputs zur Befolgung von Instruktionen.Das Modell benötigt etwa 2 GB Speicherplatz und 5.6 GB Inferenz-GPU-Speicher, passt damit auf eine Tesla T4, unterstützt zugleich die Auditierbarkeit und hält Transkripte innerhalb der institutionellen Infrastruktur.
Datenaufbereitung: Die Pipeline führt eine Sprecherdiarisierung der Aufnahmen durch, extrahiert akustische und visuelle Merkmale, richtet die Streams an Äußerungsgrenzen aus und überführt regelbasiert gelabelte synthetische Supervisionsbeispiele in das Alpaca-Format für Instruction-Tuning.Die Labels umfassen therapeutische Techniken, Allianzmarker und klinische Anliegen; zusätzliche Prompts und Antworten wurden synthetisch mit Claude Sonnet 4.6 Thinking generiert.
Trainingsstrategie: Das Fine-Tuning von QLoRA [19] verwendet eine Lernrate von 2e-4, eine Batch-Größe von 4, Rang 64, Alpha 16 und fünf Epochen und wird in 105 Schritten auf einer Tesla T4 abgeschlossen.Das Training dauerte 2 Stunden 44 Minuten und verwendete den paged-AdamW-32-Bit-Optimierer.
Datenschutz und Governance: Das System entfernt identifizierende Informationen, verschlüsselt Speicherung und Übertragung Ende-zu-Ende, beschränkt den Zugriff rollenbasiert, protokolliert jedes Zugriffsereignis und weist vor den Sitzungen auf die Beteiligung von KI hin.Diese Kontrollen tragen der Sensibilität therapeutischer Offenlegungen Rechnung und beschränken den Zugriff auf Sitzungsdaten auf die supervidierenden klinischen Fachkräfte.
Sicherheitsvorgaben: Ausgaben mit geringer Konfidenz lösen eine Zurückstellung aufgrund von Unsicherheit aus, während Offenlegungen suizidaler Gedanken oder von Missbrauch die Triage umgehen und sofortige Warnmeldungen erzeugen.Das Routing-Design vermeidet autoritativ wirkende Empfehlungen bei geringer Konfidenz und nimmt dringliche Sicherheitssignale von der automatisierten Warteschlangenverarbeitung aus.

5 Experimentelle Evaluation

Anhand von 22 zurückgehaltenen DAIC-WOZ-Sitzungen zeigte das Modell eine zuverlässige Erkennung therapeutischer Techniken und einen geringen Fehler bei der Allianzbewertung, während es die supervisorische Triage von einer 72-Stunden-Warteschlange auf nahezu Echtzeit umstellte. D-CUI berücksichtigte affektive Inkongruenz, um klinisch relevante Fälle höher zu priorisieren, obwohl diese Anpassung in routinemäßigen Screeningsitzungen minimal war.

5 Experimentelle Evaluation: Die Evaluation umfasste 106 DAIC-WOZ-Sitzungen, darunter 84 Trainingssitzungen und 22 zurückgehaltene Testsitzungen, die unter Verwendung des Zufallsseeds 42 ausgewählt wurden.Die Evaluation prüfte die Identifikation therapeutischer Techniken in zurückgehaltenen Daten sowie eine schnellere Weiterleitung dringlicher Fälle als bei der herkömmlichen wöchentlichen Supervisionsprüfung.
5 Experimentelle Evaluation: Eine Reduktion des Cross-Entropy-Losses um 85.2% ging mit der Konvergenz nach 105 Schritten einher, und die End-to-End-Verarbeitung wurde pro Sitzung in unter 15 Sekunden abgeschlossen statt über eine 72-Stunden-Supervisionswarteschlange.Das Training dauerte 2 Stunden 44 Minuten auf einer Tesla T4; die Analyse erforderte 8–12 Sekunden und die D-CUI-Berechnung unter 1 Millisekunde.
5 Experimentelle Evaluation: D-CUI stieg für eine Sitzung mit geringem Risiko von 0.283 auf 0.395, wenn die affektive Inkongruenz auf ∆ϕ = 0.4 gesetzt wurde, wodurch der Wert nahe an die Schwelle Elevated rückte.Ohne den visuellen Stream blieb die Sitzung innerhalb des Bands Routine; der rohe D-CUI-Score wird auf [0, 1] begrenzt.
5 Experimentelle Evaluation: Im DAIC-WOZ-Korpus reichte ∆ϕ von 0.00 bis 0.02, was aufgrund stabiler Screeningdynamiken eine D-CUI-Anpassung von weniger als 2% ergab.Der ∆ϕ-Term ist darauf ausgelegt, sich in akuten Szenarien und nicht im routinemäßigen Screening zu aktivieren.

6 Diskussion

Das Framework ist als automatisierte Screening-Hilfe positioniert, die Sitzungen für supervisorische Aufmerksamkeit kennzeichnet, nicht als Ersatz für klinische Supervision. Vorläufige Expertenbewertungen stützen die Verständlichkeit der Berichte, während begrenzte Daten, der enge Anwendungsbereich, Datenschutzrisiken und Einsatzbeschränkungen eine vorsichtige Interpretation erfordern.

Praktische Implikation: Das System soll die 10–15% der Sitzungen kennzeichnen, die sofortige Aufmerksamkeit benötigen, und strukturierte Evidenz liefern, sodass Supervisoren ihr klinisches Urteil statt der routinemäßigen Überwachung widmen können.Das Ergebnis von 95% bei der Identifikation von Techniken ist ein Machbarkeitsnachweis aus zwei Techniken und 22 Sitzungen, kein Beleg für klinische Einsatzreife.
Neuheit: Der D-CUI bezieht die Erfahrung der Therapeutinnen und Therapeuten neben den Risikofaktoren der Patientinnen und Patienten ein und behandelt supervisorische Dringlichkeit als abhängig sowohl vom Klientenrisiko als auch von der klinischen Erfahrung.Dadurch werden Situationen unterschieden, in denen derselbe Hochrisikoklient auf Supervisoren mit erheblich unterschiedlichem Erfahrungsniveau trifft.
Beitrag der multimodalen Analyse: Die multimodale Analyse erkennt inkongruente Affekte anhand von Gesichtsmerkmalen und klinisch bedeutsamen akustischen Hinweisen wie abgeflachtem Affekt und fragmentierter Sprache, die Transkripte nicht erfassen können.Der visuelle Stream kann verbalen Inhalt widersprechen, während der D-CUI die Dringlichkeit verstärkt; eine geringe F0-Varianz und ein erhöhter VUV-Wert liefern unterschiedliche akustische Evidenz.
Limitationen und zukünftige Arbeiten: Die Evidenz ist begrenzt durch 22 semi-strukturierte DAIC-WOZ-Sitzungen, zwei Techniken, ein Mistral-7B-Modell, isolierte Sitzungen ohne longitudinalen Kontext und CBT-orientierte Trainingsdaten.Die Autoren fordern naturalistische Therapiedaten, breitere Taxonomien therapeutischer Techniken, longitudinale Verlaufsbeobachtung und die Integration von Echtzeit-Monitoring.
Klinische Nutzbarkeit: Fünf Supervisoren berichteten bei der Bewertung von 22 Berichten eine klinische Relevanz von 4.2/5.0, eine Angemessenheit der Triage von 3.9/5.0 und eine Umsetzbarkeit von 4.0/5.0; Cohen’s κ = 0.61.Die Evaluation liefert vorläufige Hinweise auf die klinische Verständlichkeit, war jedoch durch die kleine Stichprobe und die kontrollierte Umgebung begrenzt.
Ethik und Einsatz: Der Einsatz erfordert Aufklärung, HIPAA-Verifizierung, Anonymisierung, Verschlüsselung, rollenbasiert beschränkten Zugriff, eine substanzielle supervisorische Prüfung, Bias-Monitoring und eine echte Opt-out-Möglichkeit für Klienten.Die Verarbeitung durch KI kann neue Angriffspunkte schaffen, über verschiedene Populationen hinweg ungleichmäßig funktionieren und die Art und Weise verändern, wie Klienten während der Therapie sprechen.

7 Schlussfolgerung

Das tri-stream-fine-tuned-Mistral-7B-System analysiert Therapiesitzungen über visuelle, akustische und linguistische Modalitäten hinweg und erstellt strukturierte Supervisionsberichte sowie eine automatisierte Risikotriage. In 106 DAIC-WOZ-Sitzungen erreicht es eine Genauigkeit der Technikidentifikation von 95 % und reduziert die Triage-Latenz von 72 Stunden auf unter 15 Sekunden, bleibt jedoch ein Proof of Concept.

Schlussfolgerung: Eine Genauigkeit der Technikidentifikation von 95 % und eine Triage-Latenz von unter 15 Sekunden demonstrieren den zentralen Beitrag des Systems über 106 DAIC-WOZ-Sitzungen hinweg.Das System analysiert visuelle, akustische und linguistische Modalitäten, um strukturierte Supervisionsberichte mit automatisierter Risikotriage zu erstellen.
Schlussfolgerung: Die Evaluation bleibt ein Proof of Concept auf Grundlage von 22 Testsitzungen, zwei Techniken und einem Datensatz semi-strukturierter Interviews.Der Abschnitt stellt fest, dass diese Einschränkungen weiterer Aufmerksamkeit bedürfen.
Schlussfolgerung: Indem das System innerhalb von Sekunden statt Tagen Sitzungen mit unmittelbarem Aufmerksamkeitsbedarf sichtbar macht, adressiert es ein strukturelles Supervisionsproblem, während klinisches Urteilsvermögen, Empathie und Verantwortlichkeit bei den Supervisorinnen und Supervisoren verbleiben.Es reduziert die Überwachungslast, anstatt die Verantwortung der Supervision zu ersetzen.

Offenlegung von Interessenkonflikten

Die Autoren erklären, dass die Arbeit unabhängig durchgeführt wurde, weder ihre aufgeführten Organisationen repräsentiert noch sich auf diese bezieht und keine relevanten Interessenkonflikte vorliegen.

Die Arbeit wurde unabhängig durchgeführt.
Sie bezieht sich weder auf die Positionen der Autoren bei Microsoft, BigCommerce oder Amazon noch repräsentiert sie die Ansichten oder Interessen dieser Organisationen.
Die Autoren erklären, dass keine für den Artikel relevanten Interessenkonflikte vorliegen.