SERCNN：用于 Twitter 抑郁检测的堆叠嵌入循环卷积神经网络
人工智能
2023-08-02 v2 计算与语言
社会与信息网络
摘要
传统的抑郁识别方法难以规模化，且公众对心理健康认知有限，尤其在发展中国家。近期研究表明，社交媒体有潜力在更大范围内补充心理健康筛查。按时间顺序排列的大量第一人称叙述帖子可揭示个体在一段时间内的想法、感受、行为或情绪，从而更好地理解在线空间中反映的抑郁症状。本文提出 SERCNN，通过（1）堆叠来自不同领域的两个预训练嵌入，以及（2）将嵌入上下文重新引入 MLP 分类器，来改进用户表征。我们的 SERCNN 优于最先进方法与其他基线，在 5 折交叉验证设置下达到 93.7% 的准确率。由于并非所有用户具有相同的在线活跃度，我们引入了固定观察窗口的概念，以预定义帖子数量量化观察周期。每位用户仅最少 10 条帖子时，SERCNN 即以 87% 的准确率表现优异，与 BERT 模型相当，而参数量减少 98%。我们的发现为以更少帖子进行推理的社交媒体抑郁检测开辟了有前景的方向，致力于提供具成本效益且及时的干预方案。希望本工作能推动该研究领域更接近现有临床实践中的真实应用。
引用
@article{arxiv.2207.14535,
title = {SERCNN: Stacked Embedding Recurrent Convolutional Neural Network in Detecting Depression on Twitter},
author = {Heng Ee Tay and Mei Kuan Lim and Chun Yong Chong},
journal= {arXiv preprint arXiv:2207.14535},
year = {2023}
}
备注
This paper has been accepted at the AIHA 2022 workshop of the ICPR 2022 conference