基于社交媒体文本的临床抑郁症深度时序建模

我们描述了一种基于用户时序社交媒体帖子检测用户级临床抑郁症的模型的开发。我们的模型使用抑郁症症状检测（DSD）分类器，该分类器在现有最大的临床医生标注的抑郁症症状推文样本上训练。随后我们使用 DSD 模型提取临床相关特征，例如抑郁分数及其随之而来的时间模式，以及用户发帖活动模式，例如量化其“无活动”或“沉默”。此外，为评估这些提取特征的有效性，我们创建了三类数据集，包括一个测试数据集，取自两个现有的知名用户级抑郁症检测基准数据集。然后我们在几种不同时间粒度下，基于单一特征、基线特征和特征消融测试给出准确率度量。相关数据分布和临床抑郁症检测相关设置可被利用来描绘我们所创建数据集中不同特征影响的完整图景。最后，我们表明，一般而言，仅语义导向的表示模型表现良好。然而，若训练与测试分布相似且用户时间线中数据更多，临床特征可提升整体性能。其结果是，抑郁分数的预测能力在更敏感的临床抑郁症检测设置中使用时显著增强。