Original title: Strukturální diagnóza jako moderátor symptomatické terapeutické změny
Translated title: Structural diagnosis as a moderator of symptomatic therapeutic change
Authors: Strašík, Matyáš ; Kuchař, Jakub (advisor) ; Horáková, Hana (referee)
Document type: Master’s theses
Year: 2026
Language: cze
Abstract: [cze] [eng]
Efektivita psychoterapie bývá posuzována dle symptomatické redukce, aniž by byla zohledněna osobnost klientů. Studie propojuje Kernbergovu koncepci osobnostní organizace (PO) s mírou celkové symptomatické zátěže (SCL-90 GSI) během sedmitýdenní skupinové terapie. Na americkém souboru (N = 100; 60 % mužů) bylo vytrénováno pět modelů strojového učení (ML) a jejich metakombinace k odhadu úrovně PO ze 14 škál MMPI-2. Napříč modely se jako klíčové prediktory opakovaly škály F, Sc a Si. Nejlepší výkon vykázala logistická regrese s elastickou sítí (El-net; AUC = .74; Brier = .20), která rozlišila binarizovanou PO (vyšší vs nižší) nad úroveň náhody (p < .01). Shoda El-net s klinickým hodnocením na pilotním vzorku (N = 10; 80 % žen) se zdá dostatečná, avšak nesignifikantní (κ = .40; 67 %, p = .103), zatímco meta-model i Goldbergův index variabilitu zcela postrádají (κ = 0). V klinické fázi aplikace El- net na český soubor (N = 278; 71 % žen) smíšená ANOVA podpořila efekt času (p < .001, ηpš = .434), nikoli však vliv PO (p = .058, ηpš = .013) ani interakci čas × PO (p = .112, ηpš = .009). Zjištění podporují proveditelnost odhadu PO pomocí ML, avšak naznačují, že PO krátkodobou symptomatickou úlevu nemoderuje. Zobecnitelnost výrazně limituje malý trénovací vzorek, absence pravého skóru PO a distribuční posun... Psychotherapy outcomes are commonly evaluated through symptom reduction, often overlooking clients' personality. This study tested the feasibility of estimating Kernberg's levels of personality organization (PO) from MMPI-2 scales and examined whether PO moderates global symptom severity (SCL-90 GSI) during a seven-week group therapy. In a U.S. sample (N = 100; 60 % men), five machine learning (ML) algorithms and a stacked ensemble were trained. Across models, the F, Sc, and Si scales consistently emerged as key predictors. Logistic regression with elastic net (El-net) achieved the best performance (AUC = .74; Brier = .20), classifying binarized PO (higher vs. lower) above chance (p < .01). Agreement between El-net and clinical ratings in a Czech pilot sample (N = 10; 80 % women) was moderate but nonsignificant (κ = .40; 67 %, p = .103), whereas both the ensemble and Goldberg's index showed no variability (κ = 0). Applied to a Czech outpatient dataset (N = 278; 71 % women), mixed ANOVA confirmed a significant time effect (p < .001, ηpš = .434), but not a main effect of PO (p = .058, ηpš = .013) or a time × PO interaction (p = .112, ηpš = .009). Findings support the methodological feasibility of estimating PO using ML but suggest that PO does not significantly moderate short-term symptom reduction....
Keywords: personality organization|personality disorders|machine learning|MMPI-2|SCL-90|psychotherapy outcomes|psychodynamic assessment|Kernberg|McWilliams|group theraphy; organizace osobnosti|poruchy osobnosti|strojové učení|MMPI-2|SCL-90|efektivita psychoterapie|psychodynamická diagnostika|Kernberg|McWilliams|skupinová terapie

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/208487

Permalink: http://www.nusl.cz/ntk/nusl-774581


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses