通过自然语言处理和机器学习分类器,本研究以 Reddit 学术社群为对象,检测和分析与压力相关的帖子,发现 Bag of Words 与 Logistic Regression 分类器结合在压力检测上效果最佳,准确率达到 77.78%,F1 得分为 0.79。研究结果表明,与本科生、研究生和博士生等学术层次相比,教授在 Reddit 社群中的帖子和评论是最具压力的。本研究对于了解学术社群压力水平具有重要意义,可以帮助学术机构和在线社群有效地解决这一问题。
Dec, 2023
本文研究了社交媒体上的心理压力语言,发现社交媒体的语言模型可用于测量用户和地区的压力,具有较高的预测能力和实际效果。
Nov, 2018
该研究使用两个数据集,提出了两个多任务学习框架,使用抑郁症和压力作为主要和辅助任务,旨在利用社交媒体挖掘抑郁和压力信息,实现其早期识别。实验显示,该方法相比于传统单任务学习和迁移学习有多重优势。
May, 2023
该研究应用自然语言处理技术对社交媒体数据进行分析,以确定 COVID-19 大流行期间的心理社会压力源,并分析各阶段压力源的流行趋势。结果可用于提供洞察力,以便为个人提供高质量的心理健康支持。
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
本文介绍了 TensiStrength ,它是一个系统,用于检测社交媒体文本消息中表达的压力和放松的强度,特别是在交通运输领域中,它比同类情感分析程序略微有效。
Jul, 2016
通过使用社交媒体数据,特别是由有实际使用经验的人生成的数据,来更好地了解物质使用障碍的临床和社会影响,并开发能够自动检测社交媒体数据中物质使用的临床和社会影响的系统,以帮助制定有效的公共卫生战略。
May, 2024
本文介绍了 Pushshift Reddit 数据集,它是一个社交媒体数据收集、分析和归档平台,旨在帮助社交媒体研究人员减少项目中数据收集、清理和存储阶段所需的时间和工作量。
Jan, 2020
综述当前利用可穿戴设备和机器学习技术监测与检测压力的研究,概括了公开的应力数据集、机器学习技术和未来研究方向。纵观文献,指出存在诸如标记方案、统计功效、压力生物标志物的有效性、广义能力等方面的问题。未来的研究会继续提供改进,随着新的、更丰富的数据集变得可用,现有的机器学习模型的泛化仍需要进一步研究。
Sep, 2022
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