ACLApr, 2024

多元观点，分歧模型：跨文化评估 Twitter 上的抑郁检测

PDF
TL;DR评估跨文化 Twitter 数据对建立跨文化 AI 模型的泛化性，结果显示抑郁症检测模型在全球化方面表现较差，特别是在全球南方用户中，预训练语言模型在泛化性方面表现最佳，但在抑郁和非西方用户的表现仍存在差距。我们对发现进行量化，并提供了一些建议来缓解此问题。
social media datamental disorderscross-cultural representationdepression detection modelsgeneralization
发现论文，激发创造
  • 社交媒体帖子中检测抑郁症迹象的数据集创建及实证分析

    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

  • 使用人工智能通过推特进行多类抑郁症检测

    使用推特数据库中的推文，通过词典标注预测了五种抑郁症（双向传输编码器表示）BERT 模型用于特征提取和训练机器学习和深度学习方法用于训练该模型。BERT 模型表现出最有希望的结果，达到了 0.96 的总体准确性。

    Apr, 2024

  • 通过社交媒体文本深度建模临床抑郁症

    本文研究使用 DSD 模型和社交媒体帖子来检测用户级别的临床抑郁，通过提取临床相关特征和用户发布活动的时间模式，最终提高了临床抑郁的检测准确性。

    Oct, 2022

  • 在 Twitter 上预防性检测抑郁症和焦虑症

    通过对推特数据集的处理和语言模型的使用，对抑郁症和焦虑症产生的词语进行研究，为医学专家提供更好的指导和治疗。

    Nov, 2020

  • 使用 Twitter 数据预测心理疾病的发生和发展

    本研究基于推特数据开发了计算模型，能够预测个人是否罹患抑郁症和创伤后应激障碍，并证明了这种数据驱动的预测方法可以为早期筛查和检测精神疾病提供帮助。

    Aug, 2016

  • 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

  • 利用特征研究从推特数据中归类抑郁症状以促进人群健康

    通过特征消融实验和特征消除方法确定最佳分类性能，我们发现，词汇特征对于识别抑郁症状至关重要，简单的词汇特征和减少的特征集可以产生与更大的特征集相媲美的结果。

    Jan, 2017

  • 使用社交媒体进行抑郁研究时的性别和种族公平性

    通过分析 Twitter 数据，研究表明基于互联网社交媒体平台上的行为可以显示个体的心理健康状况。先前的研究引发了有关模型偏差的担忧，这项研究分析了基于 Twitter 数据训练的抑郁症分类器在不同人口群体（如性别和种族 / 民族群体）中的公平性，发现模型性能在代表人群中系统性差异，这些差异不能完全通过数据表示问题来解释，研究最终提出了如何避免这些偏差的建议。

    Mar, 2021

  • 半监督方法监测社交媒体中的临床抑郁症状

    通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与 PHQ-9 医学发现的一致性，获得了最高 68% 的准确性和 72% 的精确度。

    Oct, 2017

  • 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