基于问题的计算语言方法在区分焦虑和抑郁时优于评分尺度

科学领域:

• 计算语言学计算语言学
• 心理健康评估 心理健康评估
• 自然语言处理 (NLP) 是一种自然语言处理.

背景情况:

• 重度抑郁症 (MD) 和一般焦虑症 (GAD) 是普遍存在的心理健康状况.
• 目前的评估依赖于诸如PHQ-9和GAD-7之类的定量评级尺度.
• 在NLP和ML的进步使新的方法,如基于问题的计算语言评估 (QCLA).

研究的目的:

• 用开放式问题调查QCLA的准确性,以区分自我报告的抑郁症,焦虑症和健康对照患者.
• 为了比较QCLA措施 (描述性关键词,自传叙事) 与传统评级尺度 (PHQ-9,GAD-7) 的有效性.

主要方法:

• 利用开放式问题,包括描述性关键词和自传叙事,进行基于语言的评估.
• 使用机器学习 (ML) 来分析QCLA数据和PHQ-9和GAD-7等级表中的单个项目.
• 计算的歧视措施 (phi系数,φ) 来评估不同评估方法的性能.

主要成果:

• 自传叙述表明,健康个体与焦虑 (φ = 1.58) 和抑郁 (φ = 1.38) 的人之间的歧视最高.
• 描述性关键词和叙述经常超过GAD-7和PHQ-9的总分 (φ=0.80).
• 单个尺度项的ML分析显示了强烈的歧视 (PHQ-9: φ=0.86,GAD-7: φ=0.91),组合尺度进一步改善了歧视 (φ=1.39).

结论:

• QCLA测量,特别是自传叙事,显示出评估抑郁和焦虑的巨大潜力.
• 虽然QCLA可以优于传统的尺度,但单个尺度项和组合尺度方法的ML分析也产生了高度的歧视.
• 这些发现表明,QCLA为现有的心理健康评估工具提供了有价值的,有时更有效的替代方案或补充.