心理健康文本中认知扭曲的自动检测与分类
人机交互
2019-09-24 v2 计算与语言
机器学习
机器学习
摘要
在认知心理学中，自动且自我强化的非理性思维 patterns 被称为认知扭曲。若不加以控制，表现出此类思维的患者会陷入不健康思维的负反馈循环，导致与焦虑和抑郁通常相关的对现实的不准确感知。在本文中，我们提出一个机器学习框架，用于在两个新颖的心理健康自由文本数据集（分别来自众包和一个真实世界的在线治疗项目）中自动检测与分类 15 种常见认知扭曲。在区分扭曲与非扭曲段落时，我们的模型取得了 0.88 的加权 F1 分数。对于将扭曲段落分类为 15 个扭曲类别之一，我们的模型在较大的众包数据集中取得了 0.68 的加权 F1 分数，在较小的在线咨询数据集中取得了 0.45 的加权 F1 分数，两者均大幅优于随机基线指标。对于两项任务，我们还识别了类别间最具区分性的单词与短语，以突出常见主题元素，从而改进有针对性的和治疗师引导的心理健康治疗。此外，我们使用无监督基于内容的聚类与主题建模算法进行了探索性分析，作为朝向对传统认为独特相似认知扭曲间主题关系的数据驱动视角的初步努力。最后，我们强调了在真实世界环境中应用基于心理健康的机器学习的困难，并评论了我们的框架在结合传统认知行为疗法改进治疗自动化交付方面的意义与益处。
引用
@article{arxiv.1909.07502,
title = {Automatic Detection and Classification of Cognitive Distortions in Mental Health Text},
author = {Benjamin Shickel and Scott Siegel and Martin Heesacker and Sherry Benton and Parisa Rashidi},
journal= {arXiv preprint arXiv:1909.07502},
year = {2019}
}