Jul, 2022

用于用户级别抑郁症和赌博障碍分类的端到端集合 Transformer

PDF
TL;DR本文提出了一种基于 Transformer 结构的端到端可训练用户级别的赌博成瘾和抑郁症分类方法，采用社交媒体全文集合的方式消除噪声并利用特征归纳技术提高模型的可解释性，并取得在 eRisk 2022 实验室关于病态赌博和抑郁症的早期识别方面的最佳成绩。
发现论文，激发创造
  • 社交媒体上的病理赌博风险预测

    通过将时间特征和情感特征纳入模型，本文解决了在社交媒体数据上进行风险预测的问题，着重于对 Reddit 用户进行病态赌博障碍的分类。通过实验证明了序列模型在性能上优于基于连接的模型，提出的架构在包含 EmoBERTa 和 TD 层的情况下取得了高 F1 分数，在赌博障碍数据集上超过了现有基准。

    Mar, 2024

  • 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

  • 精神医学量表辅助评估筛查高危人群以早期检测抑郁症

    本文提出了一种基于心理量表指导的风险帖子筛选方法，采用具有可解释性的 Hierarchical Attentional Network 和 BERT 模型进行预测，以及一种基于不断更新的风险帖子队列的在线算法，用于快速高效地检测抑郁风险。实验证明，该方法在传统抑郁预测中胜过竞争对手的基于特征和神经网络的模型，并在 ERD 的效率和准确性方面实现了同时改进。

    May, 2022

  • 利用大型语言模型自动检测在线文本中的问题赌博迹象

    使用德国一个主要赌博讨论论坛上的数据，通过对论坛帖子进行 BERT 模型的调整，训练结果显示，通过基于诊断标准进行手工注释生成高质量训练材料，可以在小数据集上可靠地使用 BERT 模型检测在线交流数据中的问题赌博迹象，此类计算方法可能有助于检测在线用户中问题赌博患病率的变化。

    Nov, 2023

  • 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 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

  • 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

  • 应用 Transformer 进行抑郁症筛查的动态图形表示学习

    研究通过构建动态的属性图并利用对比学习算法实现对抑郁症早期检测，相比现有方法在推特数据上的实验表明效果更好。

    May, 2023

  • 传统机器学习模型和双向编码器表示转换器（BERT）基础的自动分类饮食失调的推文：算法开发与验证研究

    通过对与饮食失调相关的推文进行分类，本研究使用传统机器学习和深度学习模型，发现基于 Transformer 的双向编码器表现最佳，能高效地识别与饮食失调相关的推文，并获得最高 71.1%-86.4% 的 F1 分数。

    Feb, 2024

  • 利用神经网络和语言元数据对文本序列中的抑郁症状进行早期检测

    通过使用基于不同单词嵌入的卷积神经网络和基于用户级语言元数据的分类，本文着眼于利用社交平台上的信息对抑郁症进行早期检测，同时提出了一种略微修改的 ERDE 得分用于衡量早期检测系统，并评估了用于相同领域的大型语料库的新单词嵌入

    Apr, 2018