[论文解读] Capturing social media expressions during the COVID-19 pandemic in Argentina and forecasting mental health and emotions

Antonela Tommasel, J. Andrés Díaz‐Pace+2 more|arXiv (Cornell University)|Jan 12, 2021

Mental Health via Writing参考文献 22被引用 10

一句话总结

本研究提出了一种预测框架，利用阿根廷社交媒体语言追踪并预测新冠疫情暴发期间的群体心理健康与情绪状态。通过将社交媒体内容与词典关联，并将生成的时间线建模为时间序列，该方法成功利用神经网络预测了高患病率的痛苦时期，即使仅使用7天的早期数据也表现出色，显示出在公共卫生监测中的巨大潜力。

ABSTRACT

Purpose. We present an approach for forecasting mental health conditions and emotions of a given population during the COVID-19 pandemic in Argentina based on language expressions used in social media. This approach permits anticipating high prevalence periods in short- to medium-term time horizons. Design. Mental health conditions and emotions are captured via markers, which link social media contents with lexicons. First, we build descriptive timelines for decision makers to monitor the evolution of markers, and their correlation with crisis events. Second, we model the timelines as time series, and support their forecasting, which in turn serve to identify high prevalence points for the estimated markers. Findings. Results showed that different time series forecasting strategies offer different capabilities. In the best scenario, the emergence of high prevalence periods of emotions and mental health disorders can be satisfactorily predicted with a neural network strategy, even when limited data is available in early stages of a crisis (e.g., 7 days). Originality. Although there have been efforts in the literature to predict mental states of individuals, the analysis of mental health at the collective level has received scarce attention. We take a step forward by proposing a forecasting approach for analyzing the mental health of a given population (or group of individuals) at a larger scale. Practical implications. We believe that this work contributes to a better understanding of how psychological processes related to crisis manifest in social media, being a valuable asset for the design, implementation and monitoring of health prevention and communication policies.

研究动机与目标

• 开发一种可扩展的方法，利用社交媒体监测大规模危机期间的集体心理健康与情绪状态。
• 通过语言分析实时识别并追踪心理健康状况与情绪的标志。
• 利用有限的早期数据预测未来群体心理痛苦的高发期。
• 通过提供及时、数据驱动的人群心理反应洞察，支持公共卫生决策。
• 通过将重点从个体层面分析转向群体规模预测，推动集体心理健康监测的发展。

提出的方法

• 通过将用户表达与预设词典对齐，从社交媒体内容中提取心理健康与情绪的标志。
• 构建描述性时间线以可视化这些标志的演变，并将其与关键危机事件相关联。
• 将时间线建模为时间序列数据，以利用各种统计与机器学习技术进行预测。
• 应用基于神经网络的预测策略，以预测情绪与心理健康标志的未来峰值。
• 评估模型在仅使用极少初始数据（如7天）时预测高患病率时期的能力。
• 将自然语言处理与时间序列预测相结合，实现在群体心理趋势上的早期检测。

实验结果

研究问题

• RQ1 社交媒体语言能否有效用于捕捉和监测大流行期间的集体心理健康与情绪状态？
• RQ2 时间序列预测模型在预测心理健康与情绪痛苦标志未来峰值方面的准确性如何？
• RQ3 当模型仅基于有限的早期数据进行训练时，其预测性能的可靠性程度如何？
• RQ4 重大危机事件与公众社交媒体话语中情绪与心理健康标志的变化之间是否存在关联？
• RQ5 该方法能否支持主动的公共卫生政策与沟通策略？

主要发现

• 基于神经网络的预测策略在预测心理健康与情绪痛苦高发期方面优于其他方法。
• 该模型仅使用7天的初始数据即可成功预测心理痛苦趋势的出现，展现出早期检测能力。
• 观察到负面情绪标志的激增与关键疫情相关事件（如封锁宣布）之间存在相关性。
• 该方法使决策者能够可视化并预见随时间推移的心理压力模式，支持主动干预规划。
• 本研究证明，即使在数据稀缺的危机场景下，通过社交媒体实现群体心理健康预测也是可行且可扩展的。
• 该框架为监测和预测大规模社会动荡下的集体心理反应提供了实用工具。