基于机器学习的个性风格识别：从患者言语辨识依附型与内射型个性风格
计算与语言
2023-11-08 v1
摘要
在厘清精神病理学中所观察到的异质性时，患者的个性被认为至关重要。尽管已有研究表明个性特质反映于患者所使用的语言中，我们假设这能够实现直接从言语话语中自动推断个性类型，且可能比通过专门设计用于个性分类的传统基于问卷的方法更为准确。为验证此假设，我们采用自然语言处理（NLP）与标准机器学习工具进行分类。我们在一个包含79名被诊断为重度抑郁障碍（MDD）患者的录音临床诊断访谈（CDI）数据集上测试此假设——该障碍已有基于个性风格的分化治疗主张——并将患者分类为依附型（anaclitic）与内射型（introjective）个性风格。我们首先分析访谈以观察哪些语言特征与每种风格相关，从而更好地理解这些风格。随后，我们基于以下特征开发自动分类器：(a) 标准化问卷回答；(b) 基础文本特征，即词与词序列的TF-IDF分数；(c) 更先进的文本特征，使用LIWC（语言探询与词数统计）以及利用BERT（双向编码器表示来自Transformer）的上下文感知特征；(d) 音频特征。我们发现，使用语言派生特征（即基于LIWC）的自动分类显著优于基于问卷的分类模型。此外，最佳性能由LIWC与问卷特征结合取得。这表明应投入更多工作开发基于语言的自动技术以刻画个性，但问卷在某种程度上仍补充此类方法。
引用
@article{arxiv.2311.04088,
title = {Personality Style Recognition via Machine Learning: Identifying Anaclitic and Introjective Personality Styles from Patients' Speech},
author = {Semere Kiros Bitew and Vincent Schelstraete and Klim Zaporojets and Kimberly Van Nieuwenhove and Reitske Meganck and Chris Develder},
journal= {arXiv preprint arXiv:2311.04088},
year = {2023}
}