Jul, 2024

社交媒体上可解释的抑郁症检测的异构子图网络与提示学习

HTML
PDF
TL;DR通过利用Heterogeneous Subgraph Network with Prompt Learning (HSNPL)和对比学习机制，我们开发了一种新方法来分析社交媒体数据以便早期检测抑郁等心理健康问题，并通过在特征级别建立异构图网络、用户级别建立异构子图网络、自监督对比学习等方式来解决现有方法中缺乏可解释性、忽视社交媒体数据的异质性以及全局用户之间相互作用的问题。大量实验结果表明我们的方法在社交媒体上的抑郁检测中明显优于现有的方法。
发现论文，激发创造
  • 利用混合式深度学习模型在社交媒体上使用多模态进行可解释的抑郁症检测

    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

  • DepressionNet: 一种基于深度学习增强的社交媒体抑郁症检测新型摘要框架

    本文提出一种新颖的计算框架来自动检测 Twitter 用户的抑郁症，其中通过抽取概括和提炼相关内容来解决现有模型的局限性，并使用卷积神经网络和门控循环单元模型进行更好的诊断结果。

    May, 2021

  • SERCNN：在Twitter上检测抑郁症的堆叠嵌入循环卷积神经网络

    本研究旨在提出一种利用社交媒体识别抑郁症的方法——SERCNN，它通过将两种不同领域的预训练嵌入层叠加，并重新引入嵌入层上下文到MLP分类器中来提高用户表征的准确性。经过5折交叉验证，SERCNN成功实现了93.7%的准确率，使用最少的10个用户帖子便能取得与BERT模型相当的87%的准确率和98%的参数成本降低，显示出社交媒体检测抑郁症的新前景。

    Jul, 2022

  • 基于隐喻概念映射的分层注意力网络用于可解释的推特抑郁症检测

    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

  • 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

  • 利用社交媒体数字痕迹进行抑郁症检测：一种知识感知深度学习方法

    通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

    Mar, 2023

  • 应用Transformer进行抑郁症筛查的动态图形表示学习

    研究通过构建动态的属性图并利用对比学习算法实现对抑郁症早期检测，相比现有方法在推特数据上的实验表明效果更好。

    May, 2023

  • 社交媒体中识别压力和抑郁的多任务学习

    该研究使用两个数据集，提出了两个多任务学习框架，使用抑郁症和压力作为主要和辅助任务，旨在利用社交媒体挖掘抑郁和压力信息，实现其早期识别。实验显示，该方法相比于传统单任务学习和迁移学习有多重优势。

    May, 2023

  • 使用情感知识共享从社交网络中检测抑郁症

    使用深度学习技术和情感知识来检测社交网络上的压抑情绪和负面情感，以提高抑郁症的识别效果。

    Jun, 2023

  • DeepLearningBrasil@LT-EDI-2023：探索社交媒体文本中用于检测抑郁症的深度学习技术

    本研究旨在通过深度学习方法，结合RoBERTa和DeBERTa模型，并利用DepSign-LT-EDI任务对社交媒体文本进行分类，进一步加强对精神健康对话的理解，最终取得了优越的性能表现，同时提供了相关代码以促进透明度和进一步发展。

    Nov, 2023