检测具有多模式特征的抑郁倾向

科学领域:

• 计算社会科学 计算社会科学
• 人工智能在心理健康中的作用
• 自然语言处理用于心理健康分析.

背景情况:

• 抑郁症显著影响个人福祉和社会健康,需要早期发现和干预.
• 社交媒体平台提供了丰富的数据来源,用于识别因用户表达情绪和在线寻求支持而导致的抑郁倾向.
• 现有的抑郁症检测方法通常依赖主观数据或单个模型,限制其准确性和通用性.

研究的目的:

• 开发和验证一种新的混合神经网络模型,MTDD,用于检测社交媒体用户的抑郁倾向.
• 为了利用客观,低成本的社交媒体数据来检测抑郁症,克服主观专家咨询和不完整数据集的局限性.
• 通过整合多式联络功能,提高抑郁症检测模型的稳定性和通用性.

主要方法:

• 提出了一种混合深度神经网络模型,MTDD,它结合了卷积神经网络 (CNN) 和双向长短期记忆 (BiLSTM) 网络.
• 利用多式特征,包括文本,语义和域知识,用于向量表示易患抑郁的文本.
• 开发了一种后级检测方法,分析社交平台上的用户内容.

主要成果:

• 在检测有抑郁倾向的用户方面,MTDD模型获得了95%的F1得分.
• 该模型展示了与现有方法相比的最先进 (SOTA) 性能.
• 广泛的实验证实了该模型的有效性和优势.

结论:

• MTDD模型提供了一种更有效的方法来检测社交媒体上的抑郁用户,从而促进早期诊断和治疗.
• 该模型的性能超过了许多最近的抑郁倾向检测模型.
• 这项研究强调了社交媒体数据和先进的人工智能的潜力,用于心理健康监测.