利用表达性叙事故事解码心理健康文本分类中的语言细微差别

自然语言处理的最新进展激发了人们对分析社交媒体文本数据以识别指示心理健康问题的语言特征的浓厚兴趣。然而，表达性叙事故事（ENS）——这些故事是高度个人化和情感化的叙述，提供了丰富的心理学洞察——这一领域仍未得到充分探索。本研究通过利用来自Reddit的数据集，聚焦于有和没有自我声明抑郁症的个体的ENS，填补了这一空白。我们的研究评估了先进语言模型BERT和MentalBERT相对于传统模型的效用。我们发现传统模型对显式主题相关词汇的缺失很敏感，这可能危及它们将应用扩展到缺乏明确心理健康术语的ENS的潜力。尽管MentalBERT旨在更好地处理精神科语境，但它表现出对特定主题词汇的依赖以实现分类准确性，这引发了对其在显式心理健康术语稀疏时应用的担忧（P值<0.05）。相比之下，BERT对ENS中主题词汇的缺失表现出最小的敏感性，表明其理解更深层语言特征的卓越能力，使其在实际应用中更有效。BERT和MentalBERT在识别语言细微差别和保持分类准确性方面都表现出色，即使在叙事顺序被打乱时也是如此。这种鲁棒性具有统计显著性，句子打乱对模型性能有显著影响（P值<0.05），尤其是在有和没有心理健康声明的个体的ENS比较中尤为明显。这些发现强调了探索ENS以获取对心理健康相关叙述更深层次理解的重要性，倡导一种超越单纯关键词检测的细致入微的心理健康文本分析方法。