使用 Transformers 和集成方法在社交网络上检测抑郁症
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
使用社交媒体和预训练语言模型,探索如何利用用户生成的数据来预测心理障碍症状,并发现社交媒体数据是精神健康筛查的良好来源,预训练模型可以有效地自动化这一重要任务。
Jun, 2023
本研究使用基于 Transformer 架构的 RoBERTa 模型,对社交媒体上的用户数据进行分析,以检测和分类抑郁症、焦虑症、双相情感障碍、注意力缺陷多动障碍和创伤后应激障碍等五种主要的心理疾病,从而促进公共健康系统的自动化诊断和分类流程。
Nov, 2020
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
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
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
本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法,根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征,基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。
Dec, 2022
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
使用 BERT 和 MentalBERT 模型,将额外的语言信息注入到社交媒体上进行的压力和抑郁症检测中,通过 Multimodal Adaptation Gate 此方法在三个公开数据集上的表现有所提高。标签平滑化可以提高模型性能和调整模型。在压力和抑郁症文章中观察到了语言差异。
May, 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