基于BiLSTM的多模式深度注意力,使用社交媒体帖子早期发现心理健康问题

科学领域:

• 计算精神病学是一种计算精神病学.
• 机器学习用于心理健康分析
• 社交媒体分析.

背景情况:

• 越来越多的心理健康障碍需要早期检测工具.
• 社交媒体数据提供了对情绪和行为模式的洞察.
• 现有的方法往往忽视了时间发布行为.

研究的目的:

• 提出一个多模式深度学习框架 (DABLNet),用于早期发现心理健康危机.
• 从社交媒体帖子中整合语言和时间特征.
• 为了解决分析时间发布行为对心理健康的差距.

主要方法:

• 开发了DABLNet,这是一个使用双向LSTM用于文本和LSTM用于时间数据的深度学习架构.
• 采用跨模式的注意模块来融合语言和时间特征.
• 在一个标记Reddit帖子数据集上训练和评估模型,并进行预处理.

主要成果:

• DABLNet的测试准确率为75.96%,F1得分为73.76%.
• 拟议的网络在检测心理健康危机方面表现优于传统模型.
• 证明了将时间动态与文本信息相结合的有效性.

结论:

• 将时间发布行为与文本分析相结合,可以提高心理健康检测的准确性.
• DABLNet提供了一个强大的框架,用于对情境有意识的心理健康状况预测.
• 这些发现支持使用先进的注意力机制和新数据模式的未来研究.