一种新的多模型功能生成技术用于自杀检测
Ting Ding1,2, Tonghui Qu3, Zongliang Zou1
1School of Earth Science, East China University of Technology, Nanchang, Jiangxi, China.
PeerJ. Computer science
|December 9, 2024
概括
自动化专家系统可以从社交媒体中预测自杀风险. 使用基于概率的功能和支持矢量机的新方法实现了0.96的准确性,提供了高效的早期检测.
科学领域:
- 计算精神病学和数字表型化.
- 机器学习在心理健康中的应用.
- 用于公共卫生监测的社交媒体分析.
背景情况:
- 传统的抑郁症评估方法在患者的舒适性和数据可用性方面存在局限性.
- 社交媒体提供了一个丰富的,可访问的数据来源,以了解心理状态.
- 早期预测抑郁和自杀风险对于及时干预至关重要.
研究的目的:
- 通过社交媒体内容和机器学习,提出一种用于预测自杀风险的创新方法.
- 通过一种新的多模型特征生成技术来增强机器学习模型性能.
- 开发一套紧且高度相关的特征集,以有效预测抑郁症.
主要方法:
- 用于特征提取的使用术语频率逆文档频率 (TF-IDF).
- 通过结合逻辑回归和支持矢量机器模型,开发了一个基于概率的特征集 (ProBFS).
- 在社交媒体数据上使用ProBFS评估机器学习模型的性能.
主要成果:
- 支持矢量机 (SVM) 模型使用ProBFS.实现了0.96的高精度.
- 拟议的方法表明,对于广泛的数据集,计算时间很短,为5.63秒.
- 证明ProBFS特征集是紧的,并且与抑郁风险指标有很高的相关性.
结论:
- 新的ProBFS技术显著提高了来自社交媒体的自杀风险预测的准确性和效率.
- 机器学习模型,特别是SVM,显示出早期抑郁和自杀风险检测的强大潜力.
- 这种方法提供了一个可扩展和有效的工具,用于心理健康监测,使用随时可用的社交媒体数据.
