网络论坛中的抑郁症和自残风险评估
该研究提出了一种基于多种特征的框架来将用户发帖在划分为四个自残意象严重程度级别,并使用该模型分析用户的心理状态,并展示长期使用论坛的用户的风险程度减少的情况,该模型对有效识别用户自残风险方面大幅优于现有技术(F-1 分数高达 17% 的提升),同时指出在没有自动方式识别关键内容的条件下,对于管理员来说,及时解决用户的诉求非常具有挑战性。
Feb, 2017
使用半监督学习技术提出了一种检测抑郁症严重程度的系统,通过预测帖子是否来自经历严重、中度或低(非诊断性)抑郁水平的用户,使用 Reddit 上的大量未标记社交媒体帖子进行训练模型的分类。在 LT-EDI@RANLP 2023 共享任务中,我们的框架排名第三。
Sep, 2023
利用社交媒体帖子识别抑郁症的研究表明,通过对 2022 年抑郁症相关论坛 Reddit 上的热门帖子进行提取和分析,预处理后的数据输入传统机器学习模型,可达到 92.28% 的准确率。
Apr, 2024
本研究提出了一种混合神经网络模型,结合预训练的句子 BERT(SBERT)和卷积神经网络(CNN),通过分析 Reddit 上的帖子来检测抑郁症患者,该模型实现了 0.86 的准确性和 0.86 的 F1 分数,且超过了文献中其他机器学习模型的已有成果(F1 分数为 0.79)。该模型的结果表明了其在检测抑郁症患者方面的可行性,同时也可应用于其他文本分类任务以及不同的临床应用。
Feb, 2023
研究表明,社交媒体成为自杀意念研究和自杀风险评估的有价值的资源。在众多社交媒体平台中,匿名性和基于主题的社群(子版块)使得 Reddit 成为最有希望的研究平台,而弱监督方法中使用志愿标记数据的小样本是现有方法面临的挑战。我们提出了一个用多个类别的弱监督方法的实证调查,并证明基于心理健康相关问题(例如,焦虑,抑郁症)的伪标签可以帮助提高自杀风险评估模型的性能。
Jun, 2021
本文介绍了我们参加 IberLEF 2023 中的 MentalRiskES 任务,使用传统机器学习和深度学习技术预测了个体社交媒体活动导致抑郁的可能性,其中使用 BRET-based 模型微调和使用线性回归器作为输入的句子嵌入的两种建模方法,结果表明后者获得了更好的结果。
Jun, 2023
本文提出一种新颖的计算框架来自动检测 Twitter 用户的抑郁症,其中通过抽取概括和提炼相关内容来解决现有模型的局限性,并使用卷积神经网络和门控循环单元模型进行更好的诊断结果。
May, 2021
通过使用模糊或软标签的半监督深度标签平滑方法,在 Reddit C-SSRS 数据集上的五个标签多类分类问题中,我们将分类准确性从现有研究报道的 43%提高到 52%,这有潜力更好地支持那些经历心理困扰的人们。未来的工作应该探索在嘈杂数据集中同时进行自然语言处理和量化认识不确定性和已知不确定性的概率方法的使用。
May, 2024