在日本使用高级深度学习模型对社交媒体进行公共自杀监控:从2012年到2022年的时间序列研究

科学领域:

• 数字流行病学数字流行病学
• 公共卫生监督是对公共卫生的监督.
• 计算社会科学 计算社会科学

背景情况:

• 社交媒体越来越多地用于表达自杀想法和行为.
• 现有的关于社交媒体和自杀的研究缺乏强有力的证据,将在线风险与实际行为联系起来.
• 验证这种联系对于数据稀缺地区的自杀预防和统计数据至关重要.

研究的目的:

• 为了确定在社交媒体上发现的自杀风险是否与实际的自杀行为保持一致.
• 评估社交媒体自杀风险与日本国家自杀统计数据之间的时间和空间相关性.

主要方法:

• 人类在循环中的方法用于分析6200万条日本推特 (2013-2022年).
• 自然语言处理 (NLP) 和来自变压器的双向编码器表示 (BERT) 完善了自杀风险推特识别.
• 推特识别的风险在统计上与国家自杀记录在时间和空间上进行了比较.

主要成果:

• 在推特自杀风险和实际自杀之间发现了强烈的时间相关性 (r=0.533,P<.001),当风险提前一个月时,加强到r=0.652.
• 观察到显著的空间相关性 (r=0.699,P<.001),高风险城市的重叠率为73.5%.
• 推特上的自杀风险在下午和周末达到顶峰.

结论:

• 社交媒体对自杀风险的表达与实际行为有显著的相关性,验证了其用于监视的用途.
• 这为自杀风险估计和预测提供了一种有价值的实时方法,特别是在统计数据有限的国家.
• 这些发现支持基于地点的心理健康规划和通过社交媒体的有针对性的自杀预防干预措施.