使用机器学习在社交媒体上基于文本的抑郁症预测:系统审查和元分析

科学领域:

• 计算精神病学是一种计算精神病学.
• 数字化表型化是指数字化表型化.
• 机器学习在心理健康中的应用

背景情况:

• 抑郁症影响全球超过3.5亿人,传统诊断有局限性.
• 社交媒体文本分析为使用机器学习预测抑郁症提供了新的见解.
• 由于该领域的研究日益增长,需要进行全面审查.

研究的目的:

• 评估用户生成的社交媒体文本在预测抑郁症方面的有效性.
• 评估人口,语言,社交媒体活动和时间特征对抑郁症预测模型的影响.
• 通过社交媒体综合现有关于机器学习应用程序的研究,用于通过社交媒体检测抑郁症.

主要方法:

• 2008年1月至2023年8月期间发表的36项研究的系统审查.
• 搜索了11个主要的学术数据库进行相关研究.
• 包括使用社交媒体文本,机器学习和报告关键性能指标 (AUC,r,灵敏度/特异性) 的研究.
• 用于元分析的随机效应模型;通过森林地块和科克兰Q测试评估异质性.

主要成果:

• 对于社交媒体文本和抑郁症之间的相关性,发现了一个显著的大效果大小 (r=0.630).
• 人口特征显示了最大的影响大小 (r=0.642),其次是社交媒体活动 (r=0.552),语言 (r=0.545) 和时间特征 (r=0.531).
• 社交媒体平台类型,机器学习方法 (浅与深),以及结果测量选择是重要的调节因素.

结论:

• 社交媒体文本分析是预测抑郁症的一个有希望的工具.
• 人口,语言,活动和时间特征对于提高预测准确性至关重要.
• 进一步的研究应该考虑平台类型,ML方法,以及对强大的抑郁症预测模型的结果措施.