利用 Transformer 推进少数群体压力检测：来自社交媒体数据集的洞见
计算与语言
2026-01-21 v1 社会与信息网络
摘要
性与性别少数群体成员相比异性恋和顺性别同龄人经历了不成比例的高比例不良健康结局和精神障碍，这在很大程度上是 Meyer（2003）模型所描述的少数群体压力的结果。本研究首次对用于检测在线话语中少数群体压力的 Transformer 架构进行了全面评估。我们对多种 Transformer 模型（包括 ELECTRA、BERT、RoBERTa 和 BART）进行了基准测试，并与传统机器学习基线及图增强变体进行了比较。我们进一步评估了零样本和少样本学习范式，以评估其在代表性不足数据集上的适用性。在两个最大的公开 Reddit 少数群体压力检测语料库上进行了实验，分别包含 12,645 和 5,789 条帖子，并在五个随机种子上重复进行以确保鲁棒性。我们的结果表明，将图结构整合进来始终能提升纯 Transformer 模型的检测性能，而利用关系上下文进行监督微调优于零样本和少样本方法。理论分析表明，通过图增强建模社交连通性和对话语境能够锐化模型识别关键语言标记的能力，如身份隐藏、内化污名和求助呼吁，这表明图增强 Transformer 为数字健康干预和公共卫生政策提供了最可靠的框架。
引用
@article{arxiv.2509.02908,
title = {Advancing Minority Stress Detection with Transformers: Insights from the Social Media Datasets},
author = {Santosh Chapagain and Cory J Cascalheira and Shah Muhammad Hamdi and Soukaina Filali Boubrahimi and Jillian R. Scheer},
journal= {arXiv preprint arXiv:2509.02908},
year = {2026}
}
备注
Accepted in Social Network Analysis and Mining Journal (SNAM)