基于社交媒体在时空中对语言的心理健康的稳健评估
计算与语言
2023-02-28 v1
摘要
与身体健康相比，美国人群心理健康测量非常粗粒度。目前，在最大的群体调查中（如疾病控制中心或 Gallup 开展的调查），心理健康仅通过“心理不健康天数”或“悲伤”宽泛捕捉，且限于相对不频繁的州或都市区估计。通过对社交媒体数据的大规模分析，可在更高分辨率下稳健估计人群心理健康，直至县的周度估计。本工作中，我们验证了一个流程，其使用来自200万地理定位用户的12亿条推文样本，估计两种主要心理健康状况（抑郁与焦虑）的心理健康变化。我们发现基于语言的心理健康评估与 Gallup 调查得分在多种粒度下（直至县-周；固定效应 至 ；）具有中度至高度关联。基于语言的评估能以经济高效且可扩展的方式在周时间尺度上监测人群心理健康。此类空间细粒度时间序列非常适合监测社会事件与政策的影响，并支持人群健康及其他学科中的准实验研究设计。除美国心理健康外，该方法可推广至广泛心理结果，并能在无传统调查测量但存在社交媒体数据的资源不足环境中实现社区测量。
引用
@article{arxiv.2302.12952,
title = {Robust language-based mental health assessments in time and space through social media},
author = {Siddharth Mangalik and Johannes C. Eichstaedt and Salvatore Giorgi and Jihu Mun and Farhan Ahmed and Gilvir Gill and Adithya V. Ganesan and Shashanka Subrahmanya and Nikita Soni and Sean A. P. Clouston and H. Andrew Schwartz},
journal= {arXiv preprint arXiv:2302.12952},
year = {2023}
}
备注
9 pages, 7 figures, pre-print