Dec, 2019

使用多模态社交媒体数据检测高等教育学生的抑郁症状

PDF
TL;DR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。
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

  • 利用社交媒体数字痕迹进行抑郁症检测：一种知识感知深度学习方法

    通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

    Mar, 2023

  • Cordyceps@LT-EDI：基于 Reddit 和自我训练的抑郁症检测

    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

  • MASON-NLP 参加 eRisk 2023：基于深度学习的社交媒体文本抑郁症状检测

    通过社交媒体和深度学习方法研究抑郁症症状语句的鉴别和相关性评估。

    Oct, 2023

  • 利用大型语言模型在社交媒体上进行抑郁症检测

    通过分析社交媒体上用户的历史帖子，我们提出了一种名为 DORIS 的新型抑郁症检测系统，结合医学知识和大型语言模型的最新进展，在早期检测和干预上具有重要作用，并且该系统通过结合传统分类器和大型语言模型，融合医学知识引导的特征，实现了高准确性和可解释性的预测结果。

    Mar, 2024

  • 从社交媒体文本中检测抑郁症状

    本文提出了一种基于文本单元、词类标记、可读性度量以及第一、第二或第三人称和单词数的方法来检测社交媒体文本中的抑郁迹象。我们的最佳模型获得了 0.439 的宏 F1 分数，排名 31 个团队中的第 25 名。我们进一步利用逻辑回归模型的可解释性，并尝试解释模型系数，以期对该主题的进一步研究有所帮助。

    Apr, 2022

  • 半监督方法监测社交媒体中的临床抑郁症状

    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。

    Oct, 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

  • 时间丰富的多模态转换器检测抑郁症

    本文提出了一种基于预训练模型，使用图像和文本嵌入的弹性时间丰富多模态变压器模型，用于从社交媒体消息中检测抑郁症，结果表明该方法超越了其他方法，达到了 0.931 F1 值，是目前最先进的方法。

    Jan, 2023

  • 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