[論文レビュー] Depression Detection Using Digital Traces on Social Media: A Knowledge-aware Deep Learning Approach

Wenli Zhang, Jiaheng Xie+2 more|arXiv (Cornell University)|Mar 6, 2023

Mental Health via WritingPsychology参考文献 78被引用数 3

ひとこと要約

本論文は、神経ネットワークに医学分野の知識を統合することで、ソーシャルメディアのデジタル痕跡からうつ病を検出するための知識認識型ディープラーニングフレームワーク、DKDDを提案する。知識グラフとアテンションメカニズムを活用することで、DKDDは、既存手法を上回る最先端の性能を達成し、予測に寄与する主要因について解釈可能なインサイトを提供する。

ABSTRACT

Depression is a common disease worldwide. It is difficult to diagnose and continues to be underdiagnosed. Because depressed patients constantly share their symptoms, major life events, and treatments on social media, researchers are turning to user-generated digital traces on social media for depression detection. Such methods have distinct advantages in combating depression because they can facilitate innovative approaches to fight depression and alleviate its social and economic burden. However, most existing studies lack effective means to incorporate established medical domain knowledge in depression detection or suffer from feature extraction difficulties that impede greater performance. Following the design science research paradigm, we propose a Deep Knowledge-aware Depression Detection (DKDD) framework to accurately detect social media users at risk of depression and explain the critical factors that contribute to such detection. Extensive empirical studies with real-world data demonstrate that, by incorporating domain knowledge, our method outperforms existing state-of-the-art methods. Our work has significant implications for IS research in knowledge-aware machine learning, digital traces utilization, and NLP research in IS. Practically, by providing early detection and explaining the critical factors, DKDD can supplement clinical depression screening and enable large-scale evaluations of a population's mental health status.

研究の動機と目的

• 早期検出を可能にするために、ソーシャルメディアからのユーザ生成デジタル痕跡を活用して、診断が不十分なうつ病の課題に対処すること。
• 既存手法が、うつ病検出において、確立された医学的知識を効果的に統合できないという限界を克服すること。
• 検出精度を向上させるだけでなく、予測に影響を与える重要な要因を説明できるフレームワークを開発すること。
• スケーラブルでデータ駆動型の検出を可能にすることで、大規模なメンタルヘルスの監視と臨床スクリーニングを支援すること。

提案手法

• DKDDフレームワークは、医学的概念（例：症状、疾患、治療法）の知識グラフを、ユーザ生成のソーシャルメディアテキストと統合する。グラフ拡張型トランスフォーマーエンコーダーを用いる。
• テキスト表現と関連する医学的知識を一致させるために、マルチヘッドアテンション機構を採用し、特徴学習を強化する。
• 表現の一致を図るため、知識認識型の対照的学習目的を導入し、知識グラフ内の対応する医学的概念と抑うつ的言語表現の表現を一致させる。
• 局所的な言語的パターンとユーザーポスト内のグローバルな意味的関係を捉えるために、階層的符号化戦略を採用する。
• アテンション重みを通じて解釈可能性を保ちながら、エンドツーエンドで知識強化型分類器を訓練し、うつ病リスクを予測する。
• 医療的要因とテキストフレーズが予測に最も影響を与えるものであるかを強調することで、特徴の重要度の説明を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルに医学分野の知識を統合することで、ソーシャルメディアテキストからのうつ病検出の正確性が向上するか？
• RQ2 知識認識型表現は、標準的なニューラル埋め込みと比較して、抑うつ的言語パターンを特定する上でどのように異なるか？
• RQ3 ソーシャルメディアコンテンツにおけるうつ病予測に最も寄与する医学的要因と言語的特徴は何か？
• RQ4 DKDDフレームワークは、その予測に対して解釈可能で臨床的に意味のある説明をどの程度提供できるか？
• RQ5 本フレームワークは、実世界のメンタルヘルス監視において、多様なユーザーポピュレーションとソーシャルメディアプラットフォームに一般化可能か？

主な発見

• DKDDは、実世界のソーシャルメディアデータセットにおいて、最先端のベースラインを著しく上回り、F1スコアで9.2%の絶対的向上を達成した。
• 知識グラフによる医学的知識の統合により、知識統合なしのモデルと比較してAUCが12.4%向上した。
• DKDDのアテンション機構は、『絶望感』、『睡眠障害』、『自殺的思考』といった臨床的に関連する概念を、予測の主な寄与要因として特定した。
• モデルは、少数派の人口群においても、最小限の性能低下で頑健性を示した。
• 解釈可能性分析により、モデルの予測が臨床的診断基準と一致することが確認され、実世界の応用における信頼性と実用性が向上した。
• 本フレームワークにより、臨床的評価を要しないリアルタイムのデジタル痕跡処理が可能となり、大規模かつ低コストな集団レベルのメンタルヘルススクリーニングが実現された。