Oct, 2022

社交媒体数据中心理健康的可解释因果分析

PDF
TL;DR本研究通过对社交媒体上精神疾病分类进行多类因果关系分析，发现因果关系解释的重叠问题是导致错误预测的主要挑战之一，并通过采用一些解决方法验证了该假设的有效性。实验结果表明，使用 LIME 和 Integrated Gradient（IG）方法，该方法的类别平均分数为 $81.29％$ 和 $0.906$。
social nlpmental illnesscausal categorizationinconsistencydiscourse analysis
发现论文，激发创造
  • 使用变形金刚对心理健康帖子进行因果分类

    本研究使用 transformer 模型对 CAMS 数据集进行预训练的迁移学习，改善了现有分类器的效率，准确性取得了提升，证明了在社交媒体上对于心理健康分析中的因果关系的识别是必要的。

    Jan, 2023

  • 自然语言处理在社交媒体上作为因果分析和认知挖掘工具来推测精神健康

    聊天软件等社交媒体的人际互动对个人心理状况具有暗示作用，而计算智能技术、自然语言处理等方面的持续发展为探讨导致用户在线上状况的原因与心理效应提供了一种全新的视角和工具。本文旨在进一步探讨其中两大关键方向：寻找因果关系与推理发生在用户意识中影响的各种心理角度，在自然语言处理的范畴内通过最新的话语分析技术拓展思路空间，以发掘心理计算学问题的更多潜在解决方案。

    Jan, 2023

  • 社交媒体上的因果解释分析

    本文探讨了通过采用语篇分析构建自动化分析因果关系解释的方法，包括因果关系检测和因果解释识别，展示了完整流水线的应用程序，并探讨了在社交媒体上进行自动化分析的应用领域。

    Sep, 2018

  • 长文本中心理困扰原因的多类别分类

    使用 Longformer 对社交媒体数据中的自述文本进行编码，从而发现与心理疾病的因果关系，取得了最新的 M-CAMS 数据集上的最佳结果，为分析抑郁症和自杀风险提供了有效途径。

    Apr, 2023

  • 社交媒体帖子中心理健康问题因果分析的注释语料库（CAMS）

    通过社交媒体的分析，研究社区已经在检测心理健康问题及其相关原因方面取得了显著的增长。本研究引入了一份新的数据集用于社交媒体帖子中心理健康问题的因果分析，提出了一个任务的因果分析注释方案，并通过不同的数据集进行了实验。最后，通过 CAMs 数据集提出了一种逻辑回归模型，准确率优于 CNN-LSTM 模型 4.9％。

    Jul, 2022

  • MentalLLaMA: 基于大型语言模型的社交媒体可解释性心理健康分析

    开发了第一个用于社交媒体上的可解释性心理健康分析的开源语言模型系列 MentalLLaMA，并通过 IMHI 数据集在正确性和解释质量方面接近最先进的判别方法。

    Sep, 2023

  • 可解释性与可解释性在社交媒体抑郁检测中的应用

    使用基于 Transformer 的架构来检测和解释用户写作中抑郁症状标记的出现，并生成可解释的基于症状的解释。

    Oct, 2023

  • 基于社交媒体的可解释人工智能用于精神障碍检测：调查与展望

    通过在线社交媒体进行的人工智能驱动的心理障碍检测与解释性人工智能的最新发展，为精神卫生保健提供了全面的概述，旨在指导研究人员、从业人员和决策者发展心理障碍检测领域。

    Jun, 2024

  • 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

  • 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