StressRoBERTa：从抑郁、焦虑和PTSD到压力检测的跨病症迁移学习
计算与语言
2026-01-01 v1 人工智能
摘要
慢性压力的流行是一个重大的公共健康问题，Twitter 等社交媒体平台成为个人分享其经历的重要场所。本文提出了 StressRoBERTa，一种用于自动检测英文推文中自述慢性压力的跨病症迁移学习方法。本研究探讨了在临床相关病症（抑郁、焦虑、PTSD，这些疾病与慢性压力具有高共病率）上进行持续训练，是否能比通用语言模型和广泛的心理健康模型改善压力检测。RoBERTa 在 Stress-SMHD 语料库（包含来自自述确诊抑郁、焦虑和 PTSD 用户的 1.08 亿词）上进行持续训练，并在 SMM4H 2022 Task 8 数据集上进行微调。StressRoBERTa 取得了 82% 的 F1 分数，比最佳共享任务系统（79% F1）高出 3 个百分点。结果表明，从与压力相关的疾病进行有针对性的跨病症迁移（比原始 RoBERTa 高 1% F1），比一般心理健康训练提供了更强的表示。在 Dreaddit 上的评估（81% F1）进一步证明了从临床心理健康语境到情境性压力讨论的迁移能力。
引用
@article{arxiv.2512.23813,
title = {StressRoBERTa: Cross-Condition Transfer Learning from Depression, Anxiety, and PTSD to Stress Detection},
author = {Amal Alqahtani and Efsun Kayi and Mona Diab},
journal= {arXiv preprint arXiv:2512.23813},
year = {2026}
}