基于纵向 YouTube 与谷歌搜索使用日志的个体层面焦虑检测与预测
人机交互
2020-12-02 v2
摘要
焦虑障碍是全球最普遍的精神健康状况之一，源于生物与环境因素的复杂交互，并严重干扰个体进行正常生命活动的能力。当前检测焦虑的方法严重依赖面对面访谈，这可能昂贵、耗时，并受社会污名阻碍。本工作中，我们提出一种替代方法，利用来自 YouTube 与谷歌搜索引擎的个人在线活动历史（每日有数百万人使用的平台）来识别焦虑个体并进一步估计其焦虑水平。我们开展了一项纵向研究，从志愿参与者处收集了多轮匿名化的 YouTube 与谷歌搜索日志，以及经临床验证的ground-truth焦虑评估分数。随后我们开发了可捕捉在线行为时间性与情境性特征的可解释特征。利用这些特征，我们得以训练出如下模型：（i）以平均 F1 分数 0.83 识别患有焦虑障碍的个体；（ii）基于普遍存在的个体层面在线参与数据，通过预测金标准广泛性焦虑障碍 7 项评分（范围 0 至 21）以均方误差 1.87 评估焦虑水平。我们提出的焦虑评估框架具有成本效益、省时、可扩展，并为将其部署于真实临床环境打开了大门，使照护提供者与治疗师能够随时非侵入性地了解患者的焦虑障碍情况。
引用
@article{arxiv.2007.00613,
title = {Individual-level Anxiety Detection and Prediction from Longitudinal YouTube and Google Search Engagement Logs},
author = {Anis Zaman and Boyu Zhang and Vincent Silenzio and Ehsan Hoque and Henry Kautz},
journal= {arXiv preprint arXiv:2007.00613},
year = {2020}
}