应用主题建模发现精神健康研究课题
通过长期主题模型,我们研究了 COVID-19 期间儿童心理健康的变化,发现性别和性别少数群体的儿童在大流行事件和疫苗相关新闻方面表现更为明显,为临床医生识别与儿童性别和性别认同相关的心理健康差异提供了宝贵的见解。
Dec, 2023
该研究应用自然语言处理技术对社交媒体数据进行分析,以确定 COVID-19 大流行期间的心理社会压力源,并分析各阶段压力源的流行趋势。结果可用于提供洞察力,以便为个人提供高质量的心理健康支持。
Jan, 2022
研究表明,语言使用与抑郁症相关,但需要大规模验证。本研究使用 Whispter 工具和 BERTopic 模型从 265 名参与者的 3919 个智能手机采集的语音记录中鉴定出 29 个话题。其中六个话题中 PHQ-8 中值大于等于 10 被视为抑郁风险话题:无期望、睡眠、心理疗法、剪发、学习和课程作业。我们比较了识别到的话题之间的行为(通过可穿戴设备)和语言特征,揭示了话题的产生及其与抑郁症的关联。同时,通过调查话题转变与时间内抑郁症严重程度的变化之间的关系,证明了长期监测语言使用的重要性。此外,我们还在一个类似较小的数据集上测试了 BERTopic 模型(57 名参与者的 356 个语音记录),获得了一些一致的结果。总结起来,我们的发现表明特定的语音话题可能会指示抑郁症的严重程度。所呈现的数据驱动工作流提供了一种在真实环境中收集和分析大规模语音数据的实用方法,可用于数字健康研究。
Aug, 2023
本文介绍了 MentalBERT 和 MentalRoBERTa 两种针对精神保健领域预训练的掩码语言模型,并对其和其他预训练语言模型在几个精神障碍检测基准测试中进行了评估,证明针对目标领域预训练的语言表示有助于提高精神健康检测任务的性能。
Oct, 2021
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
评估大型语言模型在理解人类心理健康状况表达方面的潜力,结果显示,基于 Transformer 的模型(如 BERT 和 XLNet)在 DAIC-WOZ 数据集上表现优于大型语言模型。
Jan, 2024
利用深度学习和分布式表示法,基于认知行为疗法(CBT)原理定义心理健康本体论,注释大型语料库,对其进行理解,结果表明深度学习与词嵌入或句子嵌入相结合的性能显著优于非深度学习模型,此理解模块将成为提供治疗的统计式对话系统的重要组成部分。
Sep, 2018
本研究通过使用新方法 BERTopic 对消费者金融保护局(CFPB)数据进行基于句子嵌入的主题提取,通过对比 LDA 和 LSA,证实 BERTopic 能够更有意义且更具多样性地生成主题。此外,使用特定于领域的预训练嵌入(FinBERT)可以进一步提高主题品质。同时,本研究通过 c_v 和 UMass 等参数对主题准确性进行了评估。
May, 2022
本文提出了一种新的方法,通过对关注精神分裂症和不同心理障碍的人群在 “心理健康” 论坛上发表的帖子进行概括,获得了一个低偏差、无隐私问题的用于问答模型实施的精确数据集,并利用各种模型的细调评估,展示了该方法获取准确数据集的有效性,BioBERT 模型的细调获得了 0.885 的 F1 得分,在心理障碍领域表现优于现有模型。
Sep, 2023