在Twitter上通过机器学习识别患有创伤后应激障碍的COVID-19幸存者

科学领域:

• 计算社会科学 计算社会科学
• 心理健康信息学心理健康信息学
• 精神病学是一个精神病学.

背景情况:

• COVID-19大流行严重影响了全球心理健康,但对其心理影响的系统研究,特别是创伤后应激障碍 (PTSD),仍然有限.
• 事证据表明,心理健康问题越来越多,需要客观的监测和检测方法.

研究的目的:

• 开发和评估机器学习模型,将与COVID-19相关的社交媒体帖子分为PTSD阳性或PTSD阴性类别.
• 评估各种经典机器学习算法和特征选择技术在流行病背景下用于PTSD检测的有效性.

主要方法:

• 使用经典的机器学习分类器,包括随机森林,支持向量机 (SVM),天真贝叶斯和K-Nearest Neighbor.
• 在真实世界的推特数据集上训练并测试模型,采用各种特征选择策略,重点关注单图特征.

主要成果:

• 支持矢量机 (SVM) 分类器,利用单图特征,实现了最高的分类准确率83.29%.
• 实验证明了机器学习方法在从用户生成的文本数据中识别潜在的COVID-19相关PTSD方面的有效性.

结论:

• 机器学习,特别是具有单图特征的SVM,提供了一种可行的方法,可以从社交媒体中自动检测COVID-19相关的PTSD.
• 这种方法提供了一个可扩展的工具,用于心理健康监测和早期识别在公共卫生危机期间的心理痛苦.