Does interpersonal behavior of psychotherapy trainees differ in private and professional relationships?

• Aim: The present study aimed to evaluate the effect of trainees’ interpersonal behavior on work involvement (WI) and compared their social behavior within professional and private relationships as well as between different psychotherapeutic orientations. • Methods: The interpersonal scales of the Intrex short-form questionnaire and the Work Involvement Scale (WIS) were used to evaluate two samples of German psychotherapy trainees in psychoanalytic, psychodynamic, and cognitive behavioral therapy training. Trainees from Sample 1 (N = 184) were asked to describe their interpersonal behavior in relation to their patients when filling out the Intrex, whereas trainees from Sample 2 (N = 135) were asked to describe the private relationship with a significant other. • Results: Interpersonal affiliation in professional relationships significantly predicted the level of healing involvement, while stress involvement was predicted by interpersonal affiliation and interdependence in trainees’ relationships with their patients. Social behavior within professional relationships provided higher correlations with WI than private interpersonal behavior. Significant differences were found between private and professional relation settings in trainees’ interpersonal behavior with higher levels of affiliation and interdependence with significant others. Differences between therapeutic orientation and social behavior could only be found when comparing trainees’ level of interdependence with the particular relationship setting. • Conclusion: Trainees’ interpersonal level of affiliation in professional relationships is a predictor for a successful psychotherapeutic development. Vice versa, controlling behavior in professional settings can be understood as a risk factor against psychotherapeutic growth. Both results strengthen an evidence-based approach for competence development during psychotherapy training.

Regelbasiertes Reasoning auf massiv paralleler Hardware

Eine wesentliche Funktionalität bei der Verwendung semantischer Technologien besteht in dem als Reasoning bezeichneten Prozess des Ableitens von impliziten Fakten aus einer explizit gegebenen Wissensbasis. Der Vorgang des Reasonings stellt vor dem Hintergrund der stetig wachsenden Menge an (semantischen) Informationen zunehmend eine Herausforderung in Bezug auf die notwendigen Ressourcen sowie der Ausführungsgeschwindigkeit dar. Um diesen Herausforderungen zu begegnen, adressiert die vorliegende Arbeit das Reasoning durch eine massive Parallelisierung der zugrunde liegenden Algorithmen und der Einführung von Konzepten für eine ressourceneffiziente Ausführung. Diese Ziele werden unter Berücksichtigung der Verwendung eines regelbasierten Systems verfolgt, dass im Gegensatz zur Implementierung einer festen Semantik die Definition der anzuwendenden Ableitungsregeln während der Laufzeit erlaubt und so eine größere Flexibilität bei der Nutzung des Systems bietet. Ausgehend von einer Betrachtung der Grundlagen des Reasonings und den verwandten Arbeiten aus den Bereichen des parallelen sowie des regelbasierten Reasonings werden zunächst die Funktionsweise von Production Systems sowie die dazu bereits existierenden Ansätze für die Optimierung und im Speziellen der Parallelisierung betrachtet. Production Systems beschreiben die grundlegende Funktionalität der regelbasierten Verarbeitung und sind somit auch die Ausgangsbasis für den RETE-Algorithmus, der zur Erreichung der Zielsetzung der vorliegenden Arbeit parallelisiert und für die Ausführung auf Grafikprozessoren (GPUs) vorbereitet wird. Im Gegensatz zu bestehenden Ansätzen unterscheidet sich die Parallelisierung insbesondere durch die gewählte Granularität, die nicht durch die anzuwendenden Regeln, sondern von den Eingabedaten bestimmt wird und sich damit an der Zielarchitektur orientiert. Aufbauend auf dem Konzept der parallelen Ausführung des RETE-Algorithmus werden Methoden der Partitionierung und Verteilung der Arbeitslast eingeführt, die zusammen mit Konzepten der Datenkomprimierung sowie der Verteilung von Daten zwischen Haupt- und Festplattenspeicher ein Reasoning über Datensätze mit mehreren Milliarden Fakten auf einzelnen Rechnern erlauben. Eine Evaluation der eingeführten Konzepte durch eine prototypische Implementierung zeigt für die adressierten leichtgewichtigen Ontologiesprachen einerseits die Möglichkeit des Reasonings über eine Milliarde Fakten auf einem Laptop, was durch die Reduzierung des Speicherbedarfs um rund 90% ermöglicht wird. Andererseits kann der dabei erzielte Durchsatz mit aktuellen State of the Art Reasonern verglichen werden, die eine Vielzahl an Rechnern in einem Cluster verwenden.