RevealED：利用深度学习揭示 Twitter 上促饮食障碍内容
机器学习
2023-01-03 v2 社会与信息网络
摘要
Covid-19 大流行导致被诊断患有饮食障碍并因饮食障碍住院的青少年大幅增加。这一巨大增长部分源于大流行的压力，也源于通过社交媒体对促饮食障碍内容暴露的增加，而在过去十年中，社交媒体已深受促饮食障碍内容之害。本研究旨在创建一个深度学习模型，仅基于图像数据来判断给定社交媒体帖子是否宣扬饮食障碍。我们收集了来自已被记录为宣扬饮食障碍的话题标签的推文，以及来自不相关话题标签的推文。在经过预处理后，这些图像根据其抓取自哪个 Twitter 话题标签被标注为促饮食障碍或非促饮食障碍。多个深度学习模型在抓取的数据集上训练，并依据准确率、F1 分数、精确率与召回率进行评估。最终，Vision Transformer 模型被确定为最准确者，在测试集上取得 0.877 的 F1 分数与 86.7% 的准确率。该模型应用于从 “#selfie” 抓取的未标注 Twitter 图像数据，揭示了促饮食障碍内容相对丰度的季节性波动，于夏季达到峰值。这些波动不仅对应于季节，也对应于诸如 Covid-19 大流行等压力源。此外，Twitter 图像数据表明，促饮食障碍内容的相对数量在过去五年中稳步上升，并可能在未来继续增加。
引用
@article{arxiv.2212.13949,
title = {RevealED: Uncovering Pro-Eating Disorder Content on Twitter Using Deep Learning},
author = {Jonathan Feldman},
journal= {arXiv preprint arXiv:2212.13949},
year = {2023}
}