Reddit 上的双相障碍预测
本文利用 NLP 方法对近两万 Reddit 用户的临床、人口学和身份特征进行了分析,揭示了这一人群的性别、年龄、国籍等信息,以及他们自诊为躁郁症患者的附加心理健康诊断。同时,本文评估了所有方法并讨论相关伦理问题。
Apr, 2021
通过 Reddit 上用户的情感状态及其转换,提出了一种采用被动式(即自动不受触发)诊断的模型,可以帮助提醒有精神疾病的患者尽快寻求治疗,相比文本内容模型更好地泛化在不同主题和时间的情境中。
Jan, 2022
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
使用推特数据库中的推文,通过词典标注预测了五种抑郁症(双向传输编码器表示)BERT 模型用于特征提取和训练机器学习和深度学习方法用于训练该模型。BERT 模型表现出最有希望的结果,达到了 0.96 的总体准确性。
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
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
本研究使用来自 Reddit 的文本,提出了一种标记方法对文本进行分类,并对 Longformer 模型进行微调。研究发现,在自制数据集上,Longformer 模型在英语(48%)和卢干达语(45%)中均表现优于基准模型,对抑郁症的早期诊断具有较好的效果。
Jan, 2024
本研究提出了一种多任务学习模型来预测双相情感障碍患者未来是否会自杀,包括症状识别和未来自杀风险预测,同时建立了一种双相情感障碍数据集和时间症状感知关注机制来确定症状在预测未来自杀风险方面的影响力。实验证明,所提出的模型在症状识别和未来自杀风险预测任务中优于现有模型,提供了可解释的关注权重,帮助临床医生更全面地理解双相情感障碍患者并通过跟踪患者的精神状态进展来及时提供干预。
Jul, 2023
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