[论文解读] 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 3

一句话总结

本文提出了一种知识感知的深度学习框架 DKDD，通过将医学领域知识融入神经网络，实现从社交媒体数字痕迹中检测抑郁症。通过利用知识图谱和注意力机制，DKDD 在抑郁症检测任务中达到最先进性能，优于现有方法，同时提供对关键影响因素的可解释性洞察。

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.

研究动机与目标

• 为应对抑郁症未被诊断的问题，利用用户生成的社交媒体数字痕迹实现早期检测。
• 克服现有方法在抑郁症检测中未能有效整合既定医学知识的局限性。
• 开发一种框架，不仅提升检测准确性，还能解释影响预测的关键因素。
• 通过支持可扩展的、数据驱动的检测方法，实现大规模心理健康监测与临床筛查，识别高风险个体。

提出的方法

• DKDD 框架通过图增强的 Transformer 编码器，将医学概念知识图谱（如症状、疾病、治疗方式）与用户生成的社交媒体文本相结合。
• 采用多头注意力机制，对齐文本表征与相关医学知识，增强特征学习。
• 引入知识感知对比学习目标，对齐抑郁语言表征与知识图谱中相应医学概念的表征。
• 采用分层编码策略，捕捉用户帖子中的局部语言模式与全局语义关系。
• 通过端到端训练的知识增强分类器预测抑郁症风险，同时利用注意力权重保持可解释性。
• 通过突出显示对最终预测影响最大的医学概念和文本短语，支持特征重要性解释。

实验结果

研究问题

• RQ1 将医学领域知识整合到深度学习模型中，能否提升从社交媒体文本中检测抑郁症的准确性？
• RQ2 知识感知表征与标准神经嵌入相比，在识别抑郁语言模式方面表现如何？
• RQ3 哪些关键医学概念和语言特征对社交媒体内容中的抑郁症预测贡献最大？
• RQ4 DKDD 框架在多大程度上能提供可解释且具有临床意义的预测解释？
• RQ5 该框架在真实世界心理健康监测中，能否在不同用户群体和社交媒体平台上实现良好泛化？

主要发现

• DKDD 在抑郁症检测任务中显著优于最先进基线模型，在真实世界社交媒体数据集上 F1 分数绝对提升 9.2%。
• 通过知识图谱整合医学知识，AUC 相较于无知识注入的模型提升 12.4%。
• DKDD 中的注意力机制突出显示了临床相关的概念——如“无望感”、“睡眠障碍”和“自杀念头”——作为预测的主要贡献因素。
• 该模型在不同人口群体中表现出鲁棒性，对代表性不足群体的性能下降最小。
• 可解释性分析表明，模型的预测与临床诊断标准一致，增强了在实际应用中的可信度和可用性。
• 该框架通过处理实时数字痕迹，无需临床评估，实现了大规模、低成本的群体心理健康筛查。