抑郁情绪:一种新的数据集,用于对抑郁情绪进行多标签分类

科学领域:

• 计算语言学计算语言学
• 心理健康信息学心理健康信息学
• 情感计算是一种情感计算.

背景情况:

• 负面的情绪状态与不良的心理健康结果有关.
• 分析文本中的情绪对于理解心理健康至关重要.
• 现有的数据集可能无法完全捕捉抑郁症相关情绪的细微差别.

研究的目的:

• 介绍新的DepressionEmo数据集,用于与抑郁症相关的情绪检测.
• 促进研究情绪与抑郁症语言模式之间的相关性.
• 评估各种机器学习和深度学习模型用于情绪分类.

主要方法:

• 开发了DepressionEmo数据集,包含6037个Reddit帖子,使用零射击分类和人类验证.
• 进行了情绪与语言特征之间的相关性分析.
• 实施并比较机器学习 (SVM,XGBoost,LightGBM) 和深度学习 (BERT,BART,GAN-BERT,T5) 模型.

主要成果:

• DepressionEmo数据集显示了可接受的评价者之间的可靠性.
• 伯特 (bert-base-uncased) 获得了0.76的F1宏观得分,与BART相匹配,但效率更高.
• 自杀意图显示了最高的F1宏观得分,突出显示了数据集在识别关键情绪状态方面的实用性.

结论:

• DepressionEmo数据集为研究抑郁症患者的情绪提供了宝贵的资源.
• 使用BERT等模型进行文本分析可以有效地识别与抑郁相关的情绪.
• 进一步的研究可以利用这一数据集来改善心理健康监测和支持.