DepGLM: Reconocimiento del grado de depresión en redes sociales basado en modelos de lenguaje grandes

Área de la Ciencia:

• Lingüística computacional
• Informática de la salud mental
• Procesamiento del Lenguaje Natural

Sus antecedentes:

• La depresión es una preocupación de salud mental global que requiere detección e intervención tempranas.
• Los datos de redes sociales ofrecen potencial para la advertencia temprana de la depresión, pero los métodos tradicionales carecen de precisión e interpretabilidad.
• Los estudios existentes a menudo utilizan clasificación binaria, omitiendo la identificación matizada de la gravedad de la depresión.

Objetivo del estudio:

• Desarrollar un modelo de reconocimiento del grado de depresión con granularidad fina utilizando clasificación y generación de texto multinivel.
• Explorar la identificación mejorada en el contexto de las redes sociales chinas.
• Crear nuevos conjuntos de datos para la clasificación del grado de depresión y la instrucción interpretable.

Principales métodos:

• Se modeló el reconocimiento del grado de depresión como tareas de clasificación y generación de texto multinivel.
• Se construyó el conjunto de datos Depression Weibo y un conjunto de datos de instrucción interpretable multinivel.
• Se ajustó el modelo de lenguaje grande ChatGLM3 para crear DepGLM (DepGLM-tc y DepGLM-tg).

Principales resultados:

• DepGLM-tc logró una puntuación F1 ponderada del 84%, superando los modelos discriminativos de última generación.
• DepGLM-tg demostró una precisión comparable a los métodos discriminativos de última generación.
• El modelo de generación de texto produjo explicaciones de alta calidad, similares a ChatGPT.

Conclusiones:

• Los modelos de lenguaje grandes ajustados ofrecen una precisión superior para identificar la gravedad de la depresión.
• El modelo DepGLM desarrollado muestra un rendimiento mejorado en tareas de clasificación de depresión.
• Este enfoque avanza la detección matizada de la depresión utilizando datos de redes sociales.