超越架构：评估情境嵌入在社交媒体中检测双相情感障碍中的作用
计算与语言
2025-07-22 v1 人工智能
机器学习
摘要
双相情感障碍是一种慢性精神疾病，由于早期症状微弱且存在社会污名化，常被低诊断。本文探讨了基于用户生成的社交媒体文本识别双相情感障碍症状的先进自然语言处理（NLP）模型。我们对基于情境嵌入（BERT）和静态嵌入（GloVe、Word2Vec）的Transformer模型（BERT、RoBERTa、ALBERT、ELECTRA、DistilBERT）以及基于长短期记忆网络（LSTM）的模型进行了全面评估。实验在确认其通过情感方差和判断性分析有效性后，在大型标注后的Reddit帖子数据集上进行。我们的结果显示，RoBERTa在Transformer模型中取得最佳性能，F1分数约为98%，而使用BERT嵌入的LSTM模型得出几乎相同的结果。相比之下，基于静态嵌入训练的LSTM模型未能捕捉到有意义的模式，F1分数接近零。这些发现凸显了在检测双相情感障碍中关键的情境语言建模作用。此外，我们报告了模型训练时间，并指出DistilBERT在效率与准确性之间提供了最佳平衡。总体而言，我们的研究为心理健康NLP应用中的模型选择提供了可操作的见解，并验证了情境化语言模型支持早期双相情感障碍筛查的潜力。
引用
@article{arxiv.2507.14231,
title = {Beyond Architectures: Evaluating the Role of Contextual Embeddings in Detecting Bipolar Disorder on Social Media},
author = {Khalid Hasan and Jamil Saquer},
journal= {arXiv preprint arXiv:2507.14231},
year = {2025}
}
备注
The 37th International Conference on Software Engineering & Knowledge Engineering, SEKE 2025 (camera-ready)