透明却强大：基于社交媒体数据的ADHD诊断中的可解释性、准确性与可泛化性
计算与语言
2024-11-26 v1
摘要
注意力缺陷/多动障碍（ADHD）是一种影响儿童和成人均可的常见精神健康状况，却严重欠诊断。近期人工智能，特别是自然语言处理（NLP）和机器学习（ML）的进展，为基于社交媒体数据的可扩展且非侵入性的ADHD筛查方法提供了前景。本文提出了一项全面的ADHD检测研究，利用浅层机器学习模型和深度学习方法，包括BiLSTM和基于Transformer的模型，来分析ADHD相关社交媒体文本中的语言模式。我们的结果突显了不同模型之间可解释性与性能之间的权衡，其中BiLSTM在透明度和准确性之间取得了平衡。此外，我们使用来自Reddit和Twitter的跨平台数据评估了这些模型的可泛化性，发现了与ADHD相关的关键语言特征，这些特征有望为更有效的数字筛查工具贡献。
引用
@article{arxiv.2411.15586,
title = {Transparent but Powerful: Explainability, Accuracy, and Generalizability in ADHD Detection from Social Media Data},
author = {D. Wiechmann and E. Kempa and E. Kerz and Y. Qiao},
journal= {arXiv preprint arXiv:2411.15586},
year = {2024}
}
备注
12 pages (including references and appendix)