[论文解读] Making a Case for Social Media Corpus for Detecting Depression

Adil Rajput, Samara M. Ahmed|arXiv (Cornell University)|Feb 2, 2019

Mental Health via Writing参考文献 24被引用 13

一句话总结

本文提出了一种专为利用自然语言处理检测抑郁而精心构建的社交媒体语料库。通过利用Twitter等平台的用户生成内容，作者证明该语料库与标准临床语料库具有高度相关性，验证了其在低资源、现实场景下进行心理健康检测的实用性。

ABSTRACT

The social media platform provides an opportunity to gain valuable insights into user behaviour. Users mimic their internal feelings and emotions in a disinhibited fashion using natural language. Techniques in Natural Language Processing have helped researchers decipher standard documents and cull together inferences from massive amount of data. A representative corpus is a prerequisite for NLP and one of the challenges we face today is the non-standard and noisy language that exists on the internet. Our work focuses on building a corpus from social media that is focused on detecting mental illness. We use depression as a case study and demonstrate the effectiveness of using such a corpus for helping practitioners detect such cases. Our results show a high correlation between our Social Media Corpus and the standard corpus for depression.

研究动机与目标

• 为应对在线文本中非标准、嘈杂的语言问题，创建一个针对心理健康检测的定向社交媒体语料库。
• 评估社交媒体数据作为标准临床语料库在抑郁检测中的可行替代方案的有效性。
• 从社交媒体中建立一个具有代表性、经标注的数据集，真实反映用户对抑郁症状的表达。
• 证明此类语料库在与抑郁相关的自然语言处理任务中可达到与标准临床语料库相当的性能。
• 为从业者和研究人员提供支持，利用公开的社交媒体数据开发可扩展、实时的抑郁检测系统。

提出的方法

• 从社交媒体平台收集用户生成的文本，重点关注与抑郁相关的表达。
• 使用临床标准和专家验证对收集的数据进行标注，以确保诊断相关性。
• 对文本进行预处理，以处理在线交流中常见的噪声、俚语和非正式语言。
• 将基于社交媒体语料库训练的自然语言处理模型性能，与基于标准临床语料库训练的模型进行对比。
• 使用相关性分析评估社交媒体语料库与标准语料库在捕捉抑郁相关语言模式方面的相似性。
• 应用标准的自然语言处理技术，如分词、嵌入学习和分类，以评估模型性能。

实验结果

研究问题

• RQ1 社交媒体语料库能否有效捕捉与临床语料库相当的抑郁语言标志？
• RQ2 基于社交媒体数据训练的自然语言处理模型性能，与基于标准临床语料库训练的模型相比如何？
• RQ3 社交媒体语料库在多大程度上反映了与抑郁相关的语义和句法模式？
• RQ4 社交媒体语料库与既定临床语料库在抑郁相关语言方面的相关性如何？
• RQ5 能否利用公开的社交媒体数据实现实时、可扩展的抑郁检测？

主要发现

• 社交媒体语料库在检测抑郁相关语言模式方面，与标准临床语料库表现出高度相关性。
• 基于社交媒体语料库训练的自然语言处理模型，其性能水平与基于标准临床数据集训练的模型相当。
• 该语料库成功捕捉了抑郁的关键语言标志，如负面情绪、自我指涉语言以及绝望感的表达。
• 本研究证实，尽管存在噪声和非正式性，社交媒体数据仍可作为心理健康检测的有效且可扩展的来源。
• 该标注语料库为计算精神病学和基于社交媒体的心理健康筛查的未来研究提供了可靠的基准。
• 结果支持将社交媒体语料库作为现实应用中大规模抑郁检测的实际、低成本替代方案。