EMNLPMar, 2020

基于社交媒体的深度学习方法在精神健康预测中的应用

PDF
TL;DR通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相关的短语的限制。
mental healthsocial mediadeep learningbinary classificationhierarchical attention network
发现论文，激发创造
  • 利用深度学习和迁移学习对社交媒体文本进行精神疾病分类

    该研究使用机器学习和人工智能方法通过 Reddit 平台分析患有抑郁症、焦虑症、躁郁症、多动症和创伤后应激障碍的人群，从而为公共健康系统提供自动化检测工具，及时了解需要紧急救助的人员情况，使精神疾病患者更容易获得帮助。

    Jul, 2022

  • 通过临床问卷学习实现简单灵活的精神障碍检测模型

    研究了使用社交媒体的语言特征来检测心理健康问题，并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。

    Jun, 2023

  • 探索基于混合和集成模型的社交媒体多分类精神健康状态预测

    本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

    Dec, 2022

  • 使用 RoBERTa 在社交媒体上检测和分类心理疾病

    本研究使用基于 Transformer 架构的 RoBERTa 模型，对社交媒体上的用户数据进行分析，以检测和分类抑郁症、焦虑症、双相情感障碍、注意力缺陷多动障碍和创伤后应激障碍等五种主要的心理疾病，从而促进公共健康系统的自动化诊断和分类流程。

    Nov, 2020

  • 利用 Hugging Face 转换器预测社交网络中的心理健康障碍

    使用社交媒体和预训练语言模型，探索如何利用用户生成的数据来预测心理障碍症状，并发现社交媒体数据是精神健康筛查的良好来源，预训练模型可以有效地自动化这一重要任务。

    Jun, 2023

  • 利用神经用户嵌入从社交媒体量化心理健康

    本文提出了一种利用社交媒体内容自动补充传统调查方法得出近实时大规模粗略估计心理健康状况的方法，该方法利用用户 embedding，本研究证明了这些 embedding 可以捕捉到与精神疾病相关的行为特征，从而能够预测用户的心理健康状况。

    Apr, 2017

  • 利用混合式深度学习模型在社交媒体上使用多模态进行可解释的抑郁症检测

    本文介绍了解决模型预测不透明性的方法，提出了一种利用多模态特征和分层注意力网络的模型，可以检测社交媒体上的抑郁症患者并解释模型预测，该模型在检测具有挑战性的公共社交媒体数据集上取得了显著优势。

    Jul, 2020

  • 社交媒体上识别抑郁的框架： MentalRiskES@IberLEF 2023

    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

  • DeepLearningBrasil@LT-EDI-2023：探索社交媒体文本中用于检测抑郁症的深度学习技术

    本研究旨在通过深度学习方法，结合 RoBERTa 和 DeBERTa 模型，并利用 DepSign-LT-EDI 任务对社交媒体文本进行分类，进一步加强对精神健康对话的理解，最终取得了优越的性能表现，同时提供了相关代码以促进透明度和进一步发展。

    Nov, 2023

  • 机器学习算法在抑郁症检测中的应用及比较

    通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

    Jan, 2023