May, 2023

社交媒体中抑郁症检测的可解释人工智能方法：症状及持续时间如何？

PDF
TL;DR本研究提出了一种基于 MSTPNet 的解释性深度学习模型，通过对社交媒体数据进行广泛的实证分析，该模型在抑郁症检测方面优于现有模型，还能够确定抑郁症症状及其持续时间，并通过用户研究证明了对现有模型在可解释性方面的优越性。
depression detectioninterpretable deep learning modelmulti-scale temporal prototype networksocial media datauser study
发现论文，激发创造
  • 慢性病中关怀心理：基于物联网的可解释人工智能方法

    本文通过使用动作传感器数据预测抑郁症证明了解决以下问题的重要性：健康感知对慢性病管理的益处如何，抑郁症预测的挑战和机器学习算法透明度和可解释性的重要性，介绍了一个新型可解释的深度学习模型 —— Temporal Prototype Network（TempPNet）以及如何将其应用于健康感知中的慢性病共同关心和抑郁症预测。

    Nov, 2022

  • 利用 ChatGPT 增强的可解释方法检测社交媒体上的心理障碍

    本文提出了一种新颖的方法，将大型语言模型（LLM）与可解释的人工智能（XAI）和类似 ChatGPT 的对话代理相结合，以解决对社交媒体上表达的抑郁症状进行及时检测的挑战。通过将 BERT 的 Twitter 特定变体 BERTweet 集成到 BERT-XDD 模型中，实现了解释能力，并通过掩码注意力提供分类和解释。利用 ChatGPT 将技术解释转化为可读性强的评论，进一步提高了可解释性。我们的方法为可解释性抑郁症检测提供了一种有效且模块化的方法，有助于发展具有社会责任感的数字平台，在合格的保健专业人员指导下促进对心理健康挑战的早期干预和支持。

    Jan, 2024

  • 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

  • 时间丰富的多模态转换器检测抑郁症

    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

  • 利用混合式深度学习模型在社交媒体上使用多模态进行可解释的抑郁症检测

    本文介绍了解决模型预测不透明性的方法，提出了一种利用多模态特征和分层注意力网络的模型，可以检测社交媒体上的抑郁症患者并解释模型预测，该模型在检测具有挑战性的公共社交媒体数据集上取得了显著优势。

    Jul, 2020

  • 机器学习算法在抑郁症检测中的应用及比较

    通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

    Jan, 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

  • 利用社交媒体数字痕迹进行抑郁症检测：一种知识感知深度学习方法

    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

  • 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

  • 使用人工智能通过推特进行多类抑郁症检测

    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