基于社交媒体数据的心理健康可解释因果分析
计算与语言
2022-11-10 v2 人工智能
信息检索
摘要
随着社交计算、自然语言处理和临床心理学的最近发展，社交NLP研究界致力于应对社交媒体上精神疾病自动化的挑战。心理健康问题多分类这一问题的近期拓展是识别用户意图背后的原因。然而，社交媒体上心理健康问题的多分类因果归类面临因因果解释重叠问题导致的错误预测这一主要挑战。解决该问题有两种可能的缓解技术：（i）数据集中因果解释间的不一致/不适当的人工标注推断，（ii）利用话语分析对自述文本中的论点和立场进行深入分析。在本研究中，我们假设若不同类别的F1分数间存在不一致，则相应因果解释间也必存在不一致。在此任务中，我们微调分类器，并利用LIME和积分梯度（IG）方法为社交媒体上精神疾病的多分类因果归类寻找解释。我们使用CAMS数据集测试方法，并以标注解释进行验证。本研究的一项关键贡献是找出多分类因果归类精度不一致背后的原因。我们所获结果使用余弦相似度和词移距离分别取得类别平均分数 和 ，方法的有效性显而易见。
引用
@article{arxiv.2210.08430,
title = {Explainable Causal Analysis of Mental Health on Social Media Data},
author = {Chandni Saxena and Muskan Garg and Gunjan Ansari},
journal= {arXiv preprint arXiv:2210.08430},
year = {2022}
}