利用主题建模发现心理健康研究主题
计算与语言
2023-08-29 v1 机器学习
摘要
心理健康深刻影响着我们日常生活的各个方面，其重要性日益受到研究界和公众的认可，尤其是在 COVID-19 大流行之后。这种日益增长的关注在过去十年中致力于心理健康研究的出版物数量不断增加中显而易见。在本研究中，我们的目标是通过分析大型心理健康研究论文数据集，识别该领域的整体趋势并确定高影响力研究主题。为此，我们从多个数据库收集摘要，并利用 BERTopic 框架训练了一个基于 Sentence-BERT 的定制嵌入模型。我们的数据集包含 96,676 篇与心理健康相关的研究论文，使我们能够利用摘要考察不同主题之间的关系。为评估模型有效性，我们将其与另外两种最先进的方法进行比较：Top2Vec 模型和 LDA-BERT 模型。该模型在衡量主题多样性和一致性的指标上表现出更优性能。为增强分析，我们还生成了词云，以全面概览心理健康研究中应用的机器学习模型，揭示常用技术与新兴趋势。此外，我们提供了本文所用数据集的 GitHub 链接*，确保其可获取性以供进一步研究。
引用
@article{arxiv.2308.13569,
title = {Discovering Mental Health Research Topics with Topic Modeling},
author = {Xin Gao and Cem Sazara},
journal= {arXiv preprint arXiv:2308.13569},
year = {2023}
}
备注
Workshop on Interpretable ML in Healthcare at International Conference on Machine Learning (ICML)