解密社交媒体中的抑郁信号:新型人工智能模型让AI读懂心理健康

随着社交媒体的普及,越来越多患有心理健康问题的人在网上分享自己的感受。研究人员开发了一种名为KiNN(Knowledge-infused Neural Network)的新型人工智能模型,用于从社交媒体数据中检测抑郁症。研究人员发现,从用户的社交媒体帖子中可以检测出抑郁症的早期迹象,甚至早于正式诊断。这为心理健康专业人士提供了一种无侵入性的方法来评估用户的心理健康状况。

然而,现有的抑郁症检测方法存在一些局限性:

• 基于词典的方法虽然简单易懂,但无法理解上下文语境。
• 深度学习模型虽然可以捕捉上下文,但像”黑盒”一样难以解释。
• 现有的解释方法主要面向开发者,对普通用户和心理健康专业人士用处有限。

KiNN模型的创新之处

为了解决这些问题,研究人员提出了KiNN模型。它的主要创新点包括:

(1) 融合领域知识:KiNN将抑郁症相关的专业知识(如DSM-5诊断标准、PHQ-9量表)融入神经网络中,使模型能够提供与心理健康专业人士理解一致的解释。

(2) 结合常识推理:KiNN还利用COMET(一种基于常识的推理模型)来分析用户帖子中的情感因素,全面把握用户的心理状态。

(3) 多层次知识注入:KiNN采用三个层次的知识注入方式:

• 浅层注入:使用领域特定的词嵌入
• 半深层注入:在神经网络权重学习过程中融入知识
• 深层注入:通过多层注意力机制在不同层次引入知识

(4) 可解释性强:KiNN能够识别出与抑郁症相关的关键词组和短语,而不仅仅是单个词,这使得解释更加贴近专业人士的理解。

KiNN模型的工作原理

KiNN模型的核心架构包括以下几个部分:

(1) 短语标注模块:利用DepressionFeature本体(一个包含抑郁症相关概念的知识图谱)对用户帖子进行短语级别的标注。

(2) MentalBERT编码器:将标注后的短语转换为向量表示。

(3) 多层自注意力机制:

• 第一层关注抑郁症相关概念
• 第二层关注情感因素
• 第三层综合前两层的结果

(4) 密集连接层和输出层:进行最终的分类决策

(5) 可视化模块:展示各层注意力的结果,生成用户级别的解释

实验结果与讨论

研究人员在三个专家标注的数据集上评估了KiNN模型的性能。结果表明:

• KiNN在CLEF e-Risk数据集上比最好的领域特定模型MentalBERT提高了25%的MCC(Matthews相关系数)和12%的F1分数。
• 在PRIMATE数据集上,KiNN也比MentalBERT表现更好,MCC提高了2.5%,F1分数提高了19%。

这些结果证明了KiNN模型不仅能提供更好的用户级解释,而且在性能上也超过了基线模型。

KiNN模型通过融合领域知识和常识推理,在保持高检测准确率的同时,提供了更贴近专业人士理解的解释。这种方法有望推动社交媒体心理健康监测技术的发展,为及时识别和帮助抑郁症患者提供新的可能性。

未来的研究方向可能包括:

• 将KiNN扩展到其他心理健康问题的检测
• 探索更多类型的知识图谱和常识推理模型
• 进一步提高模型的可解释性和对临床实践的指导意义

获取更多有价值信息 访问：https://byteclicks.com