May, 2024

情境对抑郁情绪语言的重要性：基于 Reddit 讨论中情感和语言标记的相互作用研究

PDF
TL;DR对抑郁症患者的语言标记进行研究表明，语言使用可以作为心理健康的指标。本研究通过使用 Reddit 数据集，探讨讨论主题作为语境对抑郁症中的语言标记和情感表达的影响，发现情感分析揭示了抑郁症患者中更广泛的情感强度范围，与控制组相比，负面情感和正面情感都更高。这一模式是由不含情感词的帖子驱动的，揭示了基于词汇的方法在捕捉完整情感背景方面的局限性。我们观察到了几个有趣的结果，显示出上下文分析的重要性。例如，第一人称单数代词的使用和与愤怒、悲伤相关的词汇与情感积极性增加相关，而对现在的专注程度更高的词汇与情感消极性增加相关。我们的发现凸显了解读抑郁症患者使用语言时讨论语境的重要性，揭示了语言标记的情感强度和意义可以因讨论主题而变化。
linguistic markersdepressionlanguage usagediscussion topicemotional expression
发现论文，激发创造
  • 利用话题和情感背景化对社交媒体中的抑郁症言论进行成本感知研究

    利用机器学习和自然语言处理方法，在社交媒体上提出了一种自动检测抑郁症的方法。该方法采用文本表示的多种类型来检测抑郁症，并通过情感信息进行上下文化描述。该研究分析了分类模型的能量消耗，并建立了分类精度和计算成本之间的权衡。实验表明，提出的上下文化策略可以提高分类精度，并且使用 Transformers 的方法可以将总体 F 分数提高 2％，但能源成本增加一百倍。最后，该工作为未来的节能系统铺平了道路，同时考虑了性能和能源消耗。

    Jun, 2023

  • 利用自动语音识别系统和深度学习主题模型在智能手机收集的自由回答语音记录中识别与抑郁相关的主题

    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

  • 预测抑郁症症状严重程度的第一人称代词的深层表示

    通过分析第一人称代词的使用情况，尤其是抑郁症症状的严重程度，先前的研究表明可以揭示个人的心理状况。本研究利用上下文嵌入模型获得的第一人称代词嵌入，分析了这些代词的使用方式以研究心理状况，并发现上下文化的第一人称代词嵌入在预测抑郁症症状严重程度上优于标准分类标记嵌入和基于频率的代词分析结果，提示上下文化的第一人称代词表示可以增强患有抑郁症症状的人所使用语言的预测效果。

    Oct, 2023

  • 探索社交媒体帖子以识别抑郁症: Reddit 数据集研究

    利用社交媒体帖子识别抑郁症的研究表明，通过对 2022 年抑郁症相关论坛 Reddit 上的热门帖子进行提取和分析，预处理后的数据输入传统机器学习模型，可达到 92.28% 的准确率。

    Apr, 2024

  • 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

  • 攻击性语言与心理健康关系的探索性分析

    通过比较自述抑郁症与未自述抑郁症群体在社交媒体上发表的帖子中使用冒犯性语言的频率，以及受到抑郁症相关研究影响的群体的样本，我们发现抑郁症患者和可能患抑郁症的人更频繁地使用冒犯性语言。这些结果为礼貌 / 冒犯和精神健康领域的新研究开辟了新的途径。

    May, 2021

  • 评估词汇融入对于抑郁症状估计的效果

    探索将情感、情绪和领域特定的词表融入基于 Transformer 模型的抑郁症状估计中的影响。通过标记患者 - 治疗师对话的输入转录和社交媒体帖子中的单词来添加词表信息。总体结果表明，在预训练语言模型中引入外部知识可以提高预测性能，而不同的词表在目标任务上显示出不同的行为。此外，在患者 - 治疗师访谈中获得了新的抑郁水平估计的最新成果。

    Apr, 2024

  • 与人群交流：人们在网上讨论中对什么做出反应？

    本研究探讨了语言使用对社区对在线讨论论坛评论的反应的影响，以及信息和信息发送者之间的相对重要性。基于 Reddit 讨论中社区注释卡尔玛的新评论排序任务被提出，可以控制评论的主题和时间。通过对来自六个子 reddit 的讨论线程进行实验，结果显示不同类型的语言特征对于不同的社区感兴趣程度的重要性有所不同。

    Jul, 2015

  • 从未标记的语料库中诱导特定领域情感词典

    通过使用领域特定的词向量和标签传播框架，结合少量种子单词，创造与手动资源相媲美的精准的领域特定情感词典，用于量化情感在时间和社区之间的差异，并在此基础上，提出了历史情感词汇表和社区特定情感词汇表。

    Jun, 2016

  • 利用大型语言模型在社交媒体上进行抑郁症检测

    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