可解释性与可解释性在社交媒体抑郁检测中的应用
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
该研究提出一种基于 LLMs 的新型抑郁症检测系统,不仅可以提供诊断,而且可以通过与用户的自然语言对话提供诊断证据和个性化建议。通过案例研究,该系统在各种情况下的表现优于传统方法。
May, 2023
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
研究了使用社交媒体的语言特征来检测心理健康问题,并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。
Jun, 2023
在 Twitter 上进行自动检测抑郁症能够帮助个人在寻求心理健康专业人员帮助之前,以私密和方便的方式了解自己的心理健康状况。本文提出了一种基于描述性模型的新型抑郁症检测模型,该模型结合了分层注意机制和前馈神经网络,在支持心理语言学研究的同时,其还识别了用户推文的特征和相关的隐喻概念映射。
Sep, 2022
本研究使用 transformer 模型对 CAMS 数据集进行预训练的迁移学习,改善了现有分类器的效率,准确性取得了提升,证明了在社交媒体上对于心理健康分析中的因果关系的识别是必要的。
Jan, 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
开发了第一个用于社交媒体上的可解释性心理健康分析的开源语言模型系列 MentalLLaMA,并通过 IMHI 数据集在正确性和解释质量方面接近最先进的判别方法。
Sep, 2023
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