个性化状态焦虑检测：基于语言学生物标记与机器学习流程的实证研究
人机交互
2023-04-21 v1 计算机与社会
机器学习
摘要
具有高社交焦虑症状的个体常在社交情境中表现出升高的状态焦虑。研究表明，利用数字生物标记与机器学习技术检测状态焦虑是可行的。然而，大多数现有工作在全体参与者上训练模型，未能捕捉个体对社交情境在心理与行为反应上的差异。为解决此问题，在研究1中，我们收集了 N=35 名高社交焦虑参与者在多种社交情境下的语言数据，发现数字语言学生物标记在评价性 vs. 非评价性社交情境之间以及具有不同特质心理症状的个体之间显著不同，表明个性化方法对检测状态焦虑可能十分重要。在研究2中，我们利用相同数据与研究1结果建模了一个考虑情境与个体差异的多层个性化机器学习流程以检测状态焦虑。该个性化模型的 F1 分数优于基线 28.0%。结果表明，状态焦虑可通过个性化机器学习方法更准确检测，且语言学生物标记有望以不侵扰的方式识别状态焦虑时段。
引用
@article{arxiv.2304.09928,
title = {Personalized State Anxiety Detection: An Empirical Study with Linguistic Biomarkers and A Machine Learning Pipeline},
author = {Zhiyuan Wang and Mingyue Tang and Maria A. Larrazabal and Emma R. Toner and Mark Rucker and Congyu Wu and Bethany A. Teachman and Mehdi Boukhechba and Laura E. Barnes},
journal= {arXiv preprint arXiv:2304.09928},
year = {2023}
}
备注
IEEE EMBC 2023