本研究では、Wang et al (2019)が用いたニューラルネットワークを用い、心理面接中の混声録音データを心理師及び参加者のみの単独発話に分離し、それぞれの韻律の比較を行った。対象者は55名の大学生と1名の心理師であり、精神疾患構造化面接中の最初の15分が録音音声として用いられ、ヴァーチャルエージェントとの発話が参照音声として用いられた（Yokotani et al., 2018, 2019）。F0, ビート、rms, クロマグラム、メル周波数ケプストラム係数（12まで）を特徴量として抽出し、参加者と心理師の比較を行った。その結果、rmsのダイバージェンス（非類似性）が高いほど、参加者の答えるラポートが低下することが分かった。