社交媒体图像可以使用可解释的大型语言视觉模型预测自杀风险

科学领域:

• 人工智能在心理健康中的作用
• 计算社会科学 计算社会科学
• 数字精神病学数字精神病学

背景情况:

• 自杀是一个主要的公共卫生问题,由社交媒体和COVID-19流行病加剧.
• 目前用于从社交媒体预测自杀风险的AI方法存在局限性,包括"黑子"模型和图像数据的不足利用.
• 需要可解释的AI模型,可以使用像图像这样的非语言社交媒体输入来预测自杀风险.

研究的目的:

• 开发一种可解释的人工智能 (AI) 模型,用于从图像中预测临床有效的自杀风险.
• 解决现有的AI方法在自杀学中的局限性,例如缺乏可解释性和专注于文本数据.

主要方法:

• 利用了来自841名完成自杀风险尺度的Facebook用户的177,220张图像的数据集.
• 采用CLIP (对比语言-图像预训) 来从图像中提取可解释的特征.
• 开发了一种混合模型,将理论驱动的特征与简单的逻辑回归分类器集成在一起.

主要成果:

• 混合模型实现了高预测性能 (AUC = 0.720,科恩的d = 0.82),超过了常见的深度学习算法.
• 结果支持了这样的假设,即有自杀风险的用户往往会发布带有更多负面情绪和更少归属感的图片.
• 证明公开可用的图像可以有效地用于预测验证的自杀风险.

结论:

• 这项研究首次证明了使用公开可用的图像用于验证的自杀风险预测的潜力.
• 开发的可解释模型为现实生活中的自杀监测工具提供了一个有希望的策略.
• 研究结果强调了将图像分析纳入数字心理健康监测以预防自杀的重要性.