Oct, 2017

半监督方法监测社交媒体中的临床抑郁症状

PDF
TL;DR通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与 PHQ-9 医学发现的一致性，获得了最高 68% 的准确性和 72% 的精确度。
发现论文，激发创造
  • 社交媒体帖子中检测抑郁症迹象的数据集创建及实证分析

    本研究通过对社交媒体发帖进行分析，开发了一个金标准数据集，将人的抑郁水平分为 ' 未抑郁 '、' 中度抑郁 ' 和' 严重抑郁 ' 三种级别，并采用数据增强技术和机器学习算法，其中 Word2Vec 向量化技术和随机森林分类器在数据增强的模型中表现最佳，准确度和 F1 值均为 0.877 。

    Feb, 2022

  • 基于社交媒体文本的抑郁症状建模：一种半监督学习方法

    使用半监督学习和大规模文本预训练语言模型，基于社交媒体语言数据，构建了最大的自述抑郁症状识别数据集，并训练出表现显著提高的抑郁症状检测模型。

    Sep, 2022

  • 通过社交媒体文本深度建模临床抑郁症

    本文研究使用 DSD 模型和社交媒体帖子来检测用户级别的临床抑郁，通过提取临床相关特征和用户发布活动的时间模式，最终提高了临床抑郁的检测准确性。

    Oct, 2022

  • 使用 Twitter 数据预测心理疾病的发生和发展

    本研究基于推特数据开发了计算模型，能够预测个人是否罹患抑郁症和创伤后应激障碍，并证明了这种数据驱动的预测方法可以为早期筛查和检测精神疾病提供帮助。

    Aug, 2016

  • DEPTWEET：一种用于检测抑郁症程度的社交媒体文本类型学

    该研究使用临床抑郁症诊断和病史调查评估相关指标，构建用于检测抑郁症严重程度的社交媒体文本的分类，提出了基于专家注释数据的新数据集并利用注意力模型（例如 BERT 和 DistilBERT）取得了良好的效果，揭示了研究的局限性和进一步研究的方向。

    Oct, 2022

  • DepressionNet: 一种基于深度学习增强的社交媒体抑郁症检测新型摘要框架

    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

  • 在 Twitter 上预防性检测抑郁症和焦虑症

    通过对推特数据集的处理和语言模型的使用，对抑郁症和焦虑症产生的词语进行研究，为医学专家提供更好的指导和治疗。

    Nov, 2020

  • 利用特征研究从推特数据中归类抑郁症状以促进人群健康

    通过特征消融实验和特征消除方法确定最佳分类性能，我们发现，词汇特征对于识别抑郁症状至关重要，简单的词汇特征和减少的特征集可以产生与更大的特征集相媲美的结果。

    Jan, 2017

  • 用于抑郁症程度估计的语义相似性模型

    本文提出了一个有效的语义管道，基于社交媒体的写作，研究个体的抑郁症严重程度。通过计算方法，利用用户生成的社交媒体内容，本文探讨了不同聚合方法以准确预测用户症状严重程度，并在 Reddit 的两个基准测试中取得了 30％的提高。

    Nov, 2022

  • 使用多模态社交媒体数据检测高等教育学生的抑郁症状

    通过研究学生在社交媒体上发布的图片和标题，使用深度学习进行功能工程模型从而检测大学生抑郁症状严重程度的研究表明，具有 BDI 得分大于或等于 20 的学生可以在最佳情况下通过融合模型达到 0.92 的召回率和 0.69 的精度，这表明了大规模抑郁症筛查的潜力，从而有助于发现处于风险的学生。

    Dec, 2019