通过社交媒体和深度学习方法研究抑郁症症状语句的鉴别和相关性评估。

Oct, 2023

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

通过挖掘互联网用户发布的在线出版物中的抑郁症迹象，计算机方法可以进行抑郁症检测，但是现有集合上训练的解决方案具有较有限的概括性和可解释性。为解决这些问题，最近的研究表明，通过识别抑郁症状可以得到更稳健的模型。eRisk 倡议在这一领域推动研究，并最近提出了一个新的排名任务，重点是开发搜索方法来找到与抑郁症状相关的句子。这个搜索挑战依赖于贝克抑郁症量表（BDI-II）指定的症状，该量表被广泛应用于临床实践。根据参与系统的结果，我们推出了 DepreSym 数据集，该数据集包含 21580 个句子，根据其与 21 个 BDI-II 症状的相关性进行了注释。这些标记的句子来自各种排名方法的池，最终数据集是推进模型开发的宝贵资源，其中包括临床症状等抑郁标记。由于相关性注释的复杂性质，我们设计了一个由三名专家评估员（包括一位专业心理学家）进行的强大评估方法。此外，我们在这里探讨了使用最近的大型语言模型（ChatGPT 和 GPT4）作为潜在评估员的可行性，对其性能进行了全面的考察，确定了它们的主要局限性，并分析了它们作为人类标注者的补充或替代角色。

Aug, 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

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

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

本研究提出通过将模型约束在医生在抑郁筛选过程中使用的 PHQ9 表中描述的症状中以不同程度地控制抑郁症检测的方法。在三个社交媒体数据集的数据集转移实验中，我们发现将模型限定于 PHQ9 的症状可以显著提高模型对于分布外数据的泛化能力，而在本领域数据上也可以具有竞争力。此外，这种方法还可以产生更易于检查的模型，从而提高了模型的泛化能力。

Apr, 2022

通过大型语言模型和 BERT 基于跨度抽取模型，能够提取和标记与难治性抑郁症相关的各种正面和负面因素的文本跨度，为未来医疗应用提供了希望。

Feb, 2024

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