从推文识别抑郁症状：基于隐喻语言的辅助多任务学习框架
计算与语言
2020-11-13 v1
摘要
现有利用社交媒体推导用户心理健康状态的研究聚焦于抑郁症检测任务。然而，对于病例管理和转介精神科医生，医护人员需要实用且可扩展的抑郁障碍筛查与分诊系统。本研究旨在设计并评估一个决策支持系统（DSS），通过模拟临床常规使用的患者健康问卷-9（PHQ-9），捕捉用户推文中表达的细粒度抑郁症状，从而可靠地确定抑郁分诊等级。由于推文280字符的限制促使用户在话语中使用创造性表达，且隐喻用法有助于有效表达，从推文中可靠检测抑郁症状具有挑战性。我们提出了一种新颖的基于BERT的鲁棒多任务学习框架，利用隐喻用法检测的辅助任务准确识别抑郁症状。具体而言，我们提出的新型任务共享机制——协同任务感知注意力（co-task aware attention），通过参数的软共享，实现跨BERT各层与任务的自动最优信息选择。我们的结果表明，对隐喻用法的建模可显著提升模型区分抑郁症状的鲁棒性与可靠性。
引用
@article{arxiv.2011.06149,
title = {Identifying Depressive Symptoms from Tweets: Figurative Language Enabled Multitask Learning Framework},
author = {Shweta Yadav and Jainish Chauhan and Joy Prakash Sain and Krishnaprasad Thirunarayan and Amit Sheth and Jeremiah Schumm},
journal= {arXiv preprint arXiv:2011.06149},
year = {2020}
}
备注
Accepted for publication in COLING 2020