基于社交媒体数据的新冠疫情期间抑郁检测的多模态框架：新数据集与方法
人工智能
2025-11-04 v1
摘要
最近的冠状病毒病（Covid-19）已成为全球性大流行，深刻影响了全球人民。疫情期间，我们注意到与焦虑、压力和抑郁相关的病例激增。抑郁显著影响全球绝大多数疾病，导致人们难以因缺乏意识和不愿就医而检测到心理健康状况。然而，如今，人们广泛使用在线社交媒体平台表达情感和思想。因此，社交媒体平台正在成为可用于检测抑郁和精神疾病的大数据源。然而，现有方法常常忽视推文数据稀疏以及社交媒体的多模态方面。本文提出一种新型多模态框架，将结合文本、用户特定信息和图像分析来检测社交媒体用户中的抑郁。为提供关于用户情绪状态的足够背景，我们提出（i）通过利用推文中存在的 URL 实现外部特征，（ii）提取推文中发布的图像中存在的文本内容。我们还提取五组不同模态的特征来描述用户。此外，我们引入一种深度学习模型——视觉神经网络（Visual Neural Network, VNN）——用于生成用户发布图像的嵌入向量，这些向量用于创建预测的视觉特征向量。我们贡献了一个针对抑郁和非抑郁用户的精选新冠疫情数据集，用于研究目的，并展示了我们模型在检测新冠疫情期间抑郁方面的有效性。我们的模型在基准数据集上比现有最先进方法高出2%-8%，并在新冠疫情数据集上取得令人振奋的结果。我们的分析突显了各模态的影响，为了解用户的心理和情感状态提供了宝贵见解。
引用
@article{arxiv.2511.00424,
title = {A Multimodal Framework for Depression Detection during Covid-19 via Harvesting Social Media: A Novel Dataset and Method},
author = {Ashutosh Anshul and Gumpili Sai Pranav and Mohammad Zia Ur Rehman and Nagendra Kumar},
journal= {arXiv preprint arXiv:2511.00424},
year = {2025}
}