Sep, 2022

基于社交媒体文本的抑郁症状建模：一种半监督学习方法

PDF
TL;DR使用半监督学习和大规模文本预训练语言模型，基于社交媒体语言数据，构建了最大的自述抑郁症状识别数据集，并训练出表现显著提高的抑郁症状检测模型。
social mediaclinical depressionsemi-supervised learninglanguage modeltwitter
发现论文，激发创造
  • 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

  • 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

  • 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

  • 自监督嵌入用于检测抑郁症个体症状

    利用自监督学习（SSL）基于语音模型识别和预测抑郁症症状和严重程度，比传统语音特征具有显著性能改进，并探究不同类型的 SSL 预训练模型在识别不同症状时所贡献的语音信息，以及多个 SSL 嵌入的组合和多任务学习在有效识别抑郁症症状中的重要性。

    Jun, 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

  • 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

  • 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

  • 通过大型语言模型合成数据检测难治性抑郁的临床特征

    通过大型语言模型和 BERT 基于跨度抽取模型，能够提取和标记与难治性抑郁症相关的各种正面和负面因素的文本跨度，为未来医疗应用提供了希望。

    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

  • DepressionNet: 一种基于深度学习增强的社交媒体抑郁症检测新型摘要框架

    本文提出一种新颖的计算框架来自动检测 Twitter 用户的抑郁症，其中通过抽取概括和提炼相关内容来解决现有模型的局限性，并使用卷积神经网络和门控循环单元模型进行更好的诊断结果。

    May, 2021