个性化状态焦虑检测:用语言生物标志物和机器学习管道进行实证研究
概括
使用语言生物标志物的个性化机器学习模型可以准确地检测社会焦虑症患者的状态焦虑. 这种方法考虑了个体差异,优于更好地检测焦虑的一般模型.
科学领域:
- 心理学 心理学 心理学
- 计算机科学 计算机科学
- 数字健康数字健康
背景情况:
- 社会焦虑与社会情境中的高度状态焦虑有关.
- 数字生物标志物和机器学习可以检测状态焦虑.
- 现有的模型往往忽略了个体对反应的差异.
研究的目的:
- 调查个性化的数字语言生物标志物用于状态焦虑检测.
- 开发一个机器学习管道,结合个人和上下文因素.
- 为了提高社会焦虑个体的状态焦虑检测的准确性.
主要方法:
- 收集了来自不同社会背景的35名高度社会焦虑的参与者的语言数据.
- 分析了数字语言生物标志物,以寻找社会背景和心理症状之间的差异.
- 开发了一种多层个性化的机器学习模型,用于状态焦虑检测.
主要成果:
- 数字语言生物标志物在评估性和非评估性社会背景之间存在显著差异.
- 生物标志物根据个体特征的心理症状而有所不同,突出了个性化需求.
- 与基线模型相比,个性化的模型获得了28.0%的F1得分.
结论:
- 个性化的机器学习方法提高了状态焦虑检测的准确性.
- 语言生物标志物显示出对状态焦虑的不显眼,实时识别的潜力.
- 心理和行为反应的个体差异对于有效的焦虑监测至关重要.
