在危机中识别自杀风险的声学特征热线呼叫者:机器学习方法

科学领域:

• 计算语言学计算语言学
• 心理评估 心理评估
• 机器学习应用程序 机器学习应用程序

背景情况:

• 危机热线对于识别自杀风险至关重要,但面临诸如缺乏非语言线索等局限性.
• 开发人工智能模型来分析声学特征为快速自杀风险评估提供了一个有希望的方法.
• 现有的方法与健全和有限的干预机会的复杂性作斗争.

研究的目的:

• 调查使用声学特征来预测危机热线呼叫者的自杀风险的可行性.
• 开发和评估机器学习模型,以利用呼叫者的语音数据提前检测自杀风险.

主要方法:

• 收集了525个与自杀有关的电话,将164个分类为低风险或高风险.
• 提取了基本的声学特征 (例如,MFCC,动,闪) 和高级统计功能 (HSF) 特征.
• 使用5倍交叉验证训练和评估了四个机器学习算法 (逻辑回归,SVM,随机森林,XGBoost).

主要成果:

• 使用HSF声学特征的机器学习模型表现优于仅使用基本声学特征的模型.
• 使用HSF的随机森林分类器实现了最高的性能:0.75准确度,0.70F1得分,0.76回忆率和0.24虚假负率.
• 这证明了声学特征分析在识别自杀风险方面的有效性.

结论:

• 使用声学特征的基于人工智能的预警系统对于危机热线呼叫者来说具有重大潜力.
• 声学特征分析可以有效地用于识别基于语音的语境中的自杀风险.
• 进一步的研究可以改进这些人工智能模型,以改善自杀预防策略.