Open Access

Hintergrund Analytische Psychotherapien (AP) stellen in der kassenärztlichen Versorgung eine Minderheit dar. Zudem sind beantragte AP oft kürzer und finden seltener pro Woche statt, als es von den Psychotherapierichtlinien vorgesehen wird. Im psychoanalytischen Kontext interessiert neben herkömmlicher Psychotherapiewirksamkeitsforschung mithilfe von Fragebogen das subjektive Erleben der Patienten. Fragestellung Es wird untersucht, welches Setting Therapeuten in AP angeben, und was Patienten über ihre beendeten Therapien berichten. Material und Methoden Daten bereits abgeschlossener AP aus der noch laufenden DPG-Praxisstudie (einer prospektiven naturalistischen Studie zur Untersuchung der Wirksamkeit psychoanalytisch begründeter Psychotherapien) werden analysiert. Für die Therapeutenseite (n = 108) werden Angaben in Fragebogen betrachtet; auf Patientenseite werden Freitexte der Patienten (n = 37) anhand einer qualitativen Inhaltsanalyse kategorisiert. Ergebnisse In Langzeittherapien (LZT) der DPG-Praxisstudie wird das Stundenkontingent gemäß Psychotherapierichtlinien häufig ausgeschöpft, und AP im ersten Jahr werden oft im Liegen und mit 2 bis 3 Wochenstunden durchgeführt. Die Analyse der Patientenberichte zeigt u. a., dass die Patienten ihre Behandlungen häufig als anstrengend empfinden, insgesamt aber zufrieden mit den Behandlungen sind. Schlussfolgerung Analytische Psychotherapie wird – zumindest in dieser Studie – sehr oft gemäß den Richtlinien durchgeführt. Die Patientenberichte geben einen Einblick, der nah am Erleben der Patienten ist und damit eine vielversprechende Forschungsperspektive eröffnet.

We describe the outcome of the 2023 edition of the CheckThat!Lab at CLEF. We focus on subjectivity (Task 2), which has been proposed for the first time. It aims at fostering the technology for the identification of subjective text fragments in news articles. For that, we produced corpora consisting of 9,530 manually-annotated sentences, covering six languages - Arabic, Dutch, English, German, Italian, and Turkish. Task 2 attracted 12 teams, which submitted a total of 40 final runs covering all languages. The most successful approaches addressed the task using state-of-the-art multilingual transformer models, which were fine-tuned on language-specific data. Teams also experimented with a rich set of other neural architectures, including foundation models, zero-shot classifiers, and standard transformers, mainly coupled with data augmentation and multilingual training strategies to address class imbalance. We publicly release all the datasets and evaluation scripts, with the purpose of promoting further research on this topic.