Nov, 2020

使用 RoBERTa 在社交媒体上检测和分类心理疾病

PDF
TL;DR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。
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

  • 使用 Transformers 和集成方法在社交网络上检测抑郁症

    研究表明，利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章，实现抑郁症自动诊断，并能有效地提高分类器的性能。

    May, 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

  • 基于社交媒体的深度学习方法在精神健康预测中的应用

    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。

    Mar, 2020

  • UATTA-EB：基于 BERT 的不确定性感知测试时间增强集成模型，用于社交媒体帖子中的常见心理疾病分类

    本研究提出了 UATTA-EB 方法，利用深度学习模型分析 Reddit 用户在网络平台上的非结构化数据，精准识别和分类六种心理疾病（抑郁症、焦虑症、双相障碍、注意力缺陷多动障碍（ADHD）、创伤后应激障碍（PTSD）和无疾病），解决了模型可靠性和过度自信的问题，为精准诊断心理疾病提供了新的方法。

    Apr, 2023

  • 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

  • 基于情感的社交媒体心理障碍建模

    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

  • 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

  • 使用人工智能通过推特进行多类抑郁症检测

    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

  • 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