机器学习算法在抑郁症检测中的应用及比较
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
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
利用机器学习和自然语言处理方法,在社交媒体上提出了一种自动检测抑郁症的方法。该方法采用文本表示的多种类型来检测抑郁症,并通过情感信息进行上下文化描述。该研究分析了分类模型的能量消耗,并建立了分类精度和计算成本之间的权衡。实验表明,提出的上下文化策略可以提高分类精度,并且使用 Transformers 的方法可以将总体 F 分数提高 2%,但能源成本增加一百倍。最后,该工作为未来的节能系统铺平了道路,同时考虑了性能和能源消耗。
Jun, 2023
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
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
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
通过对罗马化僧伽罗社交媒体数据的利用,本研究提出了一个基于机器学习的框架,通过分析语言模式、情感和行为线索在全面的社交媒体帖子数据集中自动筛查抑郁症状。结果表明,提出的具有注意力层的神经网络在检测抑郁症状方面取得了 93.25%的显著准确度,超过了当前最先进的方法。这些发现强调了该方法在定位需要积极干预和支持的个体方面的功效。该研究对心理健康专业人士、政策制定者和社交媒体公司提供了有价值的见解。通过利用自然语言处理技术和机器学习算法,本研究为数字时代的心理健康筛查提供了一个有前途的路径。通过利用社交媒体数据的潜力,该框架引入了一种识别和援助抑郁风险个体的积极方法。总之,本研究在积极干预和支持心理健康系统方面做出了贡献,从而对领域内的研究和实际应用产生影响。
Mar, 2024
研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪,并构建一个双向长短记忆神经网络(BiLSTM)和双向门循环单元(BiGRU)的集成模型,其中 BiGRU 模型表现最佳,准确率达 87.53%。此结果将有助于开发一个可视化情绪波动的决策工具。
Feb, 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
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