使用在线表达的机器学习来解释恢复轨迹:研究物质使用障碍论坛的内容分析方法

科学领域:

• 数字健康干预措施 数字健康干预措施
• 自然语言处理 (NLP) 是一种自然语言处理.
• 机器学习 (ML) 是指机器学习.

背景情况:

• 智能手机应用程序越来越多地通过促进同行支持来帮助物质使用障碍 (SUD) 恢复.
• 在这些论坛上分析用户消息为恢复提供了洞察力,但手动审查是低效的.

研究的目的:

• 评估监督机器学习 (ML) 用于在线同行支持论坛的大规模内容分析.
• 确定这些论坛中的沟通风格与物质使用和福祉结果的关系.

主要方法:

• 收集了268名成人SUD患者6个月使用智能手机应用程序的数据.
• 手动编码了10503个论坛消息,用于7种表达类型 (例如,情感支持,负面影响).
• 在编码数据上训练有素的ML算法自动识别表达式类型,达到0.57-0.85.5的F1分数.

主要成果:

• 在点对点支持消息中确定了7种关键表达式类型.
• 更高的情感支持信息与减少物质使用相关.
• 增加普遍性披露与更好的生活质量有关;负面影响与更差的生活质量和情绪有关.

结论:

• 机器学习提供了一种准确,可扩展的方法来分析在线同行支持通信.
• 特定的沟通方式 (情感支持,普遍性,负面影响) 与恢复结果有显著的关联.
• 监测这些沟通动态可以为SUD恢复提供有针对性的干预措施.