EmoScan：罗马化僧伽罗语推文中抑郁症状的自动筛查

本研究探索利用罗马化僧伽罗语社交媒体数据来识别有抑郁风险的个体。本文提出了一个基于机器学习的框架，通过分析社交媒体帖子综合数据集中的语言模式、情感和行为线索，实现抑郁症状的自动筛查。本研究比较了神经网络相对于经典机器学习技术的适用性。所提出的带有注意力层且能够处理长序列数据的神经网络，在检测抑郁症状方面达到了 93.25% 的显著准确率，超越了当前 SOTA 方法。这些发现凸显了该方法在精准定位需要主动干预和支持的个体方面的有效性。心理健康专业人员、政策制定者和社交媒体公司可以通过所提出的模型获得有价值的见解。利用自然语言处理技术和机器学习算法，这项工作为数字时代的心理健康筛查提供了一条有前景的途径。通过发挥社交媒体数据的潜力，该框架引入了一种识别和帮助有抑郁风险个体的主动方法。总而言之，本研究促进了心理健康主动干预和支持系统的发展，从而影响了该领域的研究与实际应用。