一种用于识别社交媒体中促饮食障碍内容的新型站点无关多模态深度学习模型
机器学习
2023-11-07 v4 人工智能
计算与语言
社会与信息网络
摘要
在过去十年中，饮食障碍诊断与饮食障碍致死人数大幅增长，并在新冠疫情期间达到顶峰。这一巨大增长部分源于疫情压力，也源于社交媒体曝光增加，其中充斥着宣扬饮食障碍的内容。本研究旨在创建一种多模态深度学习模型，可基于视觉与文本数据的结合来判断给定社交媒体帖子是否宣扬饮食障碍。我们从Twitter（近期更名为X）收集了带标签的推文数据集，并据此训练与评估了十二种深度学习模型。基于模型表现，最有效的深度学习模型为RoBERTa自然语言处理模型与MaxViT图像分类模型的多模态融合，准确率和F1分数分别达95.9%与0.959。该RoBERTa与MaxViT融合模型被部署用于分类来自Tumblr和Reddit社交媒体站点的无标签帖子数据集，所得结果类似于先前未采用人工智能技术的研究，表明深度学习模型可形成与研究者一致的见解。此外，该模型用于对八个Twitter标签中未见推文进行时间序列分析，揭示出自2014年以来，这些社区中宣扬饮食障碍内容的相对丰度急剧下降。尽管有所减少，但到2018年，这些标签上宣扬饮食障碍的内容已停止下降或再度增加。
引用
@article{arxiv.2307.06775,
title = {A Novel Site-Agnostic Multimodal Deep Learning Model to Identify Pro-Eating Disorder Content on Social Media},
author = {Jonathan Feldman},
journal= {arXiv preprint arXiv:2307.06775},
year = {2023}
}