[논문 리뷰] Depression Detection Using Digital Traces on Social Media: A Knowledge-aware Deep Learning Approach

Wenli Zhang, Jiaheng Xie외 2명|arXiv (Cornell University)|2023. 03. 06.

Mental Health via WritingPsychology참고 문헌 78인용 수 3

한 줄 요약

이 논문은 신경망에 의료 분야 지식을 통합하여 소셜 미디어 디지털 트레이스에서 우울증을 탐지하기 위한 지식 인식 딥러닝 프레임워크인 DKDD를 제안한다. 지식 그래프와 주의 메커니즘을 활용함으로써 DKDD는 기존 방법을 능가하는 최신 기술 수준의 성능을 달성하며, 주요 기여 요인에 대한 해석 가능한 통찰을 제공한다.

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.

연구 동기 및 목표

• 조기 탐지에 기여하기 위해 사용자 생성 디지털 트레이스를 활용해 간과된 우울증 문제를 해결하기 위해.
• 기존 방법이 우울증 탐지 과정에서 기존에 알려진 의료 지식을 효과적으로 통합하지 못하는 한계를 극복하기 위해.
• 정확도 향상뿐만 아니라 예측에 영향을 주는 핵심 요인을 설명하는 프레임워크를 개발하기 위해.
• 확장 가능한 데이터 기반의 탐지 기능을 통해 대규모 정신건강 모니터링 및 임상 스크리닝을 지원하기 위해.

제안 방법

• DKDD 프레임워크는 사용자 생성 소셜 미디어 텍스트와 의료 개념(예: 증상, 질환, 치료법)의 지식 그래프를 그래프 보강 트랜스포머 인코더를 통해 통합한다.
• 다중 헤드 주의 메커니즘을 활용해 텍스트 표현을 관련 의료 지식과 정렬함으로써 특징 학습을 향상시킨다.
• 우울한 언어 표현의 표현을 지식 그래프 내 해당 의료 개념과 정렬하기 위해 지식 인식 대비 학습 목표를 도입한다.
• 계층적 인코딩 전략을 사용해 사용자 게시물의 국소적 언어 패턴과 전반적인 의미적 관계를 모두 캡처한다.
• 주의 가중치를 통해 해석 가능성 유지하면서도 종합적인 지식 기반 분류기를 종단 간 학습하여 우울증 위험을 예측한다.
• 의료 개념과 텍스트 표현 중 예측에 가장 영향을 주는 요소를 강조함으로써 기능 중요도 설명을 지원한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델에 의료 분야 지식을 통합함으로써 소셜 미디어 텍스트에서의 우울증 탐지 정확도를 향상시킬 수 있는가?
• RQ2 지식 인식 표현은 표준 신경망 임베딩과 비교해 우울한 언어 패턴을 식별하는 데 얼마나 효과적인가?
• RQ3 소셜 미디어 콘텐츠에서 우울증 예측에 가장 기여하는 핵심 의료 개념과 언어적 특징은 무엇인가?
• RQ4 DKDD 프레임워크는 예측에 대해 얼마나 해석 가능하고 임상적으로 의미 있는 설명을 제공할 수 있는가?
• RQ5 실제 정신건강 모니터링 환경에서 다양한 사용자 집단과 소셜 미디어 플랫폼 간에 일반화 가능한가?

주요 결과

• DKDD는 실제 소셜 미디어 데이터셋에서 최신 기술 수준의 기준 모델을 크게 앞서며, F1 스코어에서 9.2%p의 절대적 향상을 달성한다.
• 지식 그래프를 통한 의료 지식 통합으로 인해 지식 융합이 없는 모델 대비 AUC가 12.4% 향상된다.
• DKDD의 주의 메커니즘은 '절망감', '수면 장애', '자살 생각'과 같은 임상적으로 관련성이 높은 개념을 예측의 주요 기여 요소로 강조한다.
• 모델은 다양한 인구 집단에서 뛰어난 강건성을 보이며, 소수 집단에서의 성능 저하가 최소한이다.
• 해석 가능성 분석 결과, 모델의 예측가 임상 진단 기준과 일치함을 확인하여 실생활 응용에서 신뢰도와 활용도를 높였다.
• 실시간 디지털 트레이스 처리 기능을 통해 임상 평가 없이도 대규모 저비용의 인구 수준 정신건강 스크리닝을 가능하게 한다.