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。
Sep, 2022
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
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
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
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
本研究基于推特数据开发了计算模型,能够预测个人是否罹患抑郁症和创伤后应激障碍,并证明了这种数据驱动的预测方法可以为早期筛查和检测精神疾病提供帮助。
Aug, 2016
通过结合医学领域知识,我们设计了一种深度知识感知的网络框架(DKDD)以准确检测社交媒体用户是否患有抑郁症,并解释导致此类检测的关键因素。我们的实证研究表明,该方法优于现有最先进的方法,可以提供早期检测和解释关键因素,从而补充临床抑郁症筛查并评估人群的心理健康状况。
Mar, 2023
通过特征消融实验和特征消除方法确定最佳分类性能,我们发现,词汇特征对于识别抑郁症状至关重要,简单的词汇特征和减少的特征集可以产生与更大的特征集相媲美的结果。
Jan, 2017
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