ACLFeb, 2024

从社交媒体数据中检测报告焦虑症状的潜在伴发 ADHD 的代理

PDF
TL;DR我们提出了一种新颖的任务，可以阐明焦虑和 ADHD 之间的关系；使用 Transformer 来在无法通过基于关键词的分类器解决的任务上取得进展；并讨论了一种用于可视化我们的分类器的方法，以揭示焦虑和 ADHD 表现之间的联系。
anxietyadhdtransformersclassifiercomorbid
发现论文，激发创造
  • Cordyceps@LT-EDI：基于 Reddit 和自我训练的抑郁症检测

    使用半监督学习技术提出了一种检测抑郁症严重程度的系统，通过预测帖子是否来自经历严重、中度或低（非诊断性）抑郁水平的用户，使用 Reddit 上的大量未标记社交媒体帖子进行训练模型的分类。在 LT-EDI@RANLP 2023 共享任务中，我们的框架排名第三。

    Sep, 2023

  • 使用 RoBERTa 在社交媒体上检测和分类心理疾病

    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

  • 使用 Transformers 和集成方法在社交网络上检测抑郁症

    研究表明，利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章，实现抑郁症自动诊断，并能有效地提高分类器的性能。

    May, 2023

  • 利用混合神经网络检测 Reddit 用户的抑郁症状

    本研究提出了一种混合神经网络模型，结合预训练的句子 BERT（SBERT）和卷积神经网络（CNN），通过分析 Reddit 上的帖子来检测抑郁症患者，该模型实现了 0.86 的准确性和 0.86 的 F1 分数，且超过了文献中其他机器学习模型的已有成果（F1 分数为 0.79）。该模型的结果表明了其在检测抑郁症患者方面的可行性，同时也可应用于其他文本分类任务以及不同的临床应用。

    Feb, 2023

  • 探索基于混合和集成模型的社交媒体多分类精神健康状态预测

    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

  • 使用变形金刚对心理健康帖子进行因果分类

    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

  • 基于情感的社交媒体心理障碍建模

    通过 Reddit 上用户的情感状态及其转换，提出了一种采用被动式（即自动不受触发）诊断的模型，可以帮助提醒有精神疾病的患者尽快寻求治疗，相比文本内容模型更好地泛化在不同主题和时间的情境中。

    Jan, 2022

  • 利用 Hugging Face 转换器预测社交网络中的心理健康障碍

    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

  • 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

  • MANTIS 在 #SMM4H 2023 上：利用混合和集成模型在 Reddit 上检测社交焦虑障碍

    该论文研究了在 Social Media Mining for Health 2023 Shared Task 4 中，利用专门领域的医学自适应转换器与双向长短时记忆神经网络相结合的混合和集成模型的有效性，并通过评估结果表明，我们最佳性能模型在验证集上获得了 89.31% 的 F1 得分，测试集上获得了 83.76% 的 F1 得分。

    Nov, 2023