MARC

 008260126s2025        us                              c    eng  d
■001000017360211
■00520260202105322
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798297672130
■035    ▼a(MiAaPQ)AAI32289613
■035    ▼a(MiAaPQ)PennState26342sxb701
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a615.8
■1001  ▼aNagaraj,  Suhas  Bettapalli.
■24510▼aGenerative,  Human-Centered  AI  in  Mental  Health:  Supporting  Therapeutic  Fidelity  and  Empathy  in  Interactions
■260    ▼a[Sl]▼bThe  Pennsylvania  State  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a173  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-04,  Section:  B.
■500    ▼aAdvisor:  Abdullah,  Saeed.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2025.
■520    ▼aThe  effective  application  of  Artificial  Intelligence  (AI)  in  mental  healthcare-particularly  for  supporting  clinicians  and  enhancing  therapy  for  conditions  such  as  Post-Traumatic  Stress  Disorder  (PTSD)-is  impeded  by  several  critical  challenges.  Earlier  work  leading  up  to  this  dissertation  focused  on  patient-centric  mental  health  assessment  using  privacypreserving  machine  learning  techniques,  including  federated  learning  for  depression  detection  and  differential  privacy  for  dementia  risk  prediction.  While  these  approaches  addressed  data  privacy  concerns,  they  offered  limited  utility  for  clinician-facing  tools  and  were  constrained  by  restricted  access  to  real-world  datasets.Existing  research  in  AI  for  mental  health  has  largely  prioritized  patient  diagnosis,  with  relatively  little  emphasis  on  supporting  clinician  workflows  during  therapy.  This  thesis  responds  to  that  gap  by  presenting  a  human-centered  machine  learning  framework  focused  on  Prolonged  Exposure  (PE)  therapy  for  PTSD.It  introduces  three  core  contributions:1.  Synthetic  Data  Generation:  "Thousand  Voices  of  Trauma,"  a  large-scale  dataset  (3,000  conversations,  500  personas)  simulating  PE  therapy.  Validated  by  clinical  experts,  the  dataset  demonstrates  high  fidelity  to  real  sessions  across  structural,  linguistic,  and  therapeutic  dimensions.2.  Empathetic  and  Efficient  Modeling:  Fine-tuning  small  language  models  (SLMs,  0.5B-5B  parameters)  on  the  synthetic  "Trauma-Informed  Dialogue  for  Empathy  (TIDE)"  dataset  to  generate  context-aware,  empathetic  responses  for  real-time,  inthe-moment  emotional  support  in  PTSD-related  dialogues-serving  as  companion  tools,  not  therapy  replacements-and  achieving  significant  gains  over  zero-shot  baselines.3.  Temporal  Localization  of  Therapeutic  Elements:  A  parameter-efficient  approach  for  fine-tuning  multimodal  audio-language  models  to  identify  key  components  of  PE  therapy  using  soft-supervised,  clinician-verified  annotations.Together,  these  contributions  offer  validated  datasets,  efficient  models,  and  deployment  strategies  to  build  scalable,  empathetic  AI  tools  that  augment  therapist  training,  provide  in-the-moment  support  for  users,  and  enhance  mental  healthcare  delivery-always  as  a  supplement  to,  not  a  replacement  for,  clinical  care.
■590    ▼aSchool  code:  0176.
■650  4▼aTherapists
■650  4▼aTrauma
■650  4▼aTherapy
■650  4▼aGender
■650  4▼aEmpathy
■650  4▼aLinguistics
■650  4▼aMulticulturalism  &  pluralism
■650  4▼aMental  health
■650  4▼aError  analysis
■650  4▼aLarge  language  models
■650  4▼aMathematics
■650  4▼aSociology
■690    ▼a0290
■690    ▼a0212
■690    ▼a0347
■690    ▼a0800
■690    ▼a0405
■690    ▼a0626
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g87-04B.
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360211▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서