ContextVecNet: Un marco de aprendizaje multimodal impulsado por el contexto para la detección de la depresión

Área de la Ciencia:

• Lingüística computacional
• Inteligencia artificial
• Informática de la salud mental

Sus antecedentes:

• La depresión es un problema de salud mundial.
• Los datos de las redes sociales ofrecen potencial para la detección temprana de la depresión.
• Los enfoques multimodales existentes carecen de un contexto y un análisis temporal efectivos.

Objetivo del estudio:

• Proponer ContextVecNet, un nuevo marco multimodal de aprendizaje profundo.
• Mejorar la precisión y fiabilidad de la detección de la depresión a través de las redes sociales.
• Abordar las limitaciones en la captura de relaciones contextuales e información temporal.

Principales métodos:

• Desarrolló ContextVecNet, una arquitectura basada en CLIP con vectores de contexto aprendizables.
• Vectores de contexto integrados en la codificación de texto e imagen.
• Incorpora un transformador intermodal con incorporaciones conscientes del tiempo para la dinámica temporal y las interacciones intermodal.

Principales resultados:

• ContextVecNet logró un rendimiento de vanguardia en un conjunto de datos multimodal de Twitter.
• Obtuvo un área bajo la curva (AUC) de 0.9922 y un puntaje F1 de 0.9619.
• El estudio de ablación confirmó el papel crítico de los vectores de contexto en el rendimiento.

Conclusiones:

• ContextVecNet modela eficazmente las dinámicas temporales y las interacciones transversales para la detección de la depresión.
• El marco muestra un rendimiento superior en comparación con los métodos existentes.
• Los vectores de contexto aprendibles son cruciales para adaptarse a los marcadores específicos de depresión en los datos de las redes sociales.