arXiv:2410.16204

Systematic Review: Text Processing Algorithms in Machine Learning and Deep Learning for Mental Health Detection on Social Media

Yuchen Cao, Jianglai Dai, Zhongyan Wang, Yeyubei Zhang, Xiaorui Shen, Yunchong Liu, Yexin Tian

제출 2024-10-21

원문 초록

The global rise in depression necessitates innovative detection methods for early intervention. Social media provides a unique opportunity to identify depression through user-generated posts. This systematic review evaluates machine learning (ML) models for depression detection on social media, focusing on biases and methodological challenges throughout the ML lifecycle. A search of PubMed, IEEE Xplore, and Google Scholar identified 47 relevant studies published after 2010. The Prediction model Risk Of Bias ASsessment Tool (PROBAST) was utilized to assess methodological quality and risk of bias. Significant biases impacting model reliability and generalizability were found. There is a predominant reliance on Twitter (63.8%) and English-language content (over 90%), with most studies focusing on users from the United States and Europe. Non-probability sampling methods (approximately 80%) limit representativeness. Only 23% of studies explicitly addressed linguistic nuances like negations, crucial for accurate sentiment analysis. Inconsistent hyperparameter tuning was observed, with only 27.7% properly tuning models. About 17% did not adequately partition data into training, validation, and test sets, risking overfitting. While 74.5% used appropriate evaluation metrics for imbalanced data, others relied on accuracy without addressing class imbalance, potentially skewing results. Reporting transparency varied, often lacking critical methodological details. These findings highlight the need to diversify data sources, standardize preprocessing protocols, ensure consistent model development practices, address class imbalance, and enhance reporting transparency. By overcoming these challenges, future research can develop more robust and generalizable ML models for depression detection on social media, contributing to improved mental health outcomes globally.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.17973v2cs.CL공통 태그 Sentiment Analysis, Depression Detection

AI 정신건강 대화를 통한 수동적 우울증 심각도 추정을 위한 대규모 언어 모델(LLM) 파인튜닝

Fine-tuning LLMs for Passive Depression Severity Estimation from AI Mental Health Dialogue

우울증은 전 세계적으로 장애의 주요 원인이지만, Patient Health Questionnaire-9(PHQ-9)와 같이 검증된 설문지는 종종 작성되지 않아 희소하고 편향된 데이터를 낳는다. AI 정신건강 애플리케이션 사용자는 기분, 수면, 기능 상태를 요청 없이도 자주 서술하며, 이는 증상에 대한 연속적인 기록을 만들어 낸다. 본 연구에서는 이러한 대화만으로 PHQ-9 점수를 예측한다. 많은 임상 언어 과제와 마찬가지로 레이블은 부족하고 불균형하다. 이를 해결하기 위해 Qwen 3.5 27B를 회귀 헤드와 함께 미세 조정하고, 3,111개의 정답 레이블을 최첨단 추론 모델과 반복적으로 학습된 중간 모델들이 생성한 의사 레이블로 증강하여, 점수가 더 균형 잡힌 5,524명의 사용자로 확장하였다. 보류된 422명의 사용자에서 모델은 MAE $= 3.98$, Pearson $r = 0.67$, 임상 기준(PHQ-9 $\geq 10$)에서 AUC $= 0.88$을 달성하였으며, PHQ-9 $\geq 3$부터 PHQ-9 $\geq 24$에 이르는 심각도 기준 전반에서 AUC가 $> 0.80$으로, 모델이 전체 임상 스펙트럼에 걸쳐 우울증 심각도를 포착함을 보여 준다. 이러한 결과는 자기 보고 없이도 수동적인 우울증 모니터링이 가능함을 뒷받침한다.

arXiv:2511.04476v2cs.CL공통 태그 Sentiment Analysis, Depression Detection

확률적 텍스트 시계열 우울증 탐지

Probabilistic Textual Time Series Depression Detection

우울증 중증도에 대한 정확하고 해석 가능한 예측은 임상 의사결정 지원에 필수적이나, 기존 모델들은 불확실성 추정과 시간적 해석 가능성이 부족한 경우가 많다. 우리는 PTTSD를 제안한다. PTTSD는 임상 인터뷰 발화 시퀀스로부터 우울증을 탐지하기 위한 확률적(Probabilistic) 프레임워크로, PHQ-8 점수를 예측하는 동시에 보정된 불확실성을 모델링한다. PTTSD는 시퀀스-투-시퀀스 및 시퀀스-투-원(sequence-to-one) 변형을 포함하며, 두 변형 모두 LSTM, 셀프-어텐션(self-attention), 잔차 연결(residual connection)을 결합하고 가우시안(Gaussian) 또는 스튜던트-t(Student's-t) 출력 헤드를 음의 로그 가능도(negative log-likelihood)로 학습한다. 시퀀스-투-시퀀스 변형은 타깃이 단일 세션 수준 점수임에도 불구하고, 인터뷰 전반에 걸쳐 예측 신뢰도가 어떻게 변화하는지에 대한 시간적 분석을 가능하게 한다. E-DAIC 및 DAIC-WOZ에서 평가한 결과, PTTSD는 텍스트 전용 시스템 중 경쟁력 있는 성능을 달성하며(예: E-DAIC에서 MAE = 3.85, DAIC에서 3.55), 잘 보정된 예측 구간을 생성한다. 어블레이션 실험을 통해 어텐션과 확률적 모델링의 가치가 확인되며, 세 부분으로 구성된 보정 분석과 정성적 사례 연구는 불확실성 인식 예측의 임상적 관련성을 부각한다.

arXiv:2607.04350v1cs.CL공통 태그 Sentiment Analysis, Depression Detection

WPG-MoE: 사용자 수준 소셜 미디어 우울증 탐지를 위한 약한 사전 정보 기반 밀집 전문가 혼합

WPG-MoE: Weak-Prior-Guided Dense Mixture-of-Experts for User-Level Social Media Depression Detection

온라인 소셜 미디어 게시물은 초기 우울증 선별을 위한 확장 가능한 신호를 제공하며, 최근 연구들은 주로 위험 게시물 선택, 증상 그라운딩, 임상 정보 기반 특징 구성을 통해 사전 분류(pre-classification) 근거를 개선한다. 그러나 이러한 선별 단계 설계는 최종 결정을 단일 탐지기에 맡기는 경우가 많아, 선별 후 사용자들이 이질적으로 우울 위험을 표현하는 방식을 간과한다. 단일 분류기는 이질적인 사용자 전반에 걸쳐 평균화해야 하므로 국소화된 근거를 희석시키고 오분류를 유발할 수 있으며, 특히 자기 노출을 하지 않는 사용자의 경우 더욱 그러하다. 이 문제를 해결하기 위해 우리는 공유된 대규모 언어 모델(LLM) 백본 위에 구축된 약한 사전 정보 기반 밀집 전문가 혼합(MoE) 프레임워크인 WPG-MoE를 제안한다. WPG-MoE는 사용자 수준의 약한 의미론적 사전 정보를 도출하여 서로 다른 근거 레이아웃에 매칭된 전문가에게 사용자를 소프트 라우팅한다. 우리는 이 과정을 특권 정보를 활용한 학습(LUPI, Learning Using Privileged Information)으로 공식화한다: LLM이 추출한 풍부한 구조화된 근거가 학습 시 라우팅을 안내하는 반면, 추론 시에는 PHQ-9(Patient Health Questionnaire-9) 템플릿 선별과 배포 가능한 백본만 유지된다. 중국어 및 영어 데이터셋에 대한 실험에서 WPG-MoE는 해석 가능한 라우팅 동작으로 강력한 기준 모델들을 능가함을 보인다.

arXiv:2606.11197v1eess.AS공통 태그 Sentiment Analysis, Depression Detection

MA-DLE: 메모리 증강을 통한 음성 기반 자동 우울증 수준 추정

MA-DLE: Speech-based Automatic Depression Level Estimation via Memory Augmentation

음성 기반 자동 우울증 수준 추정은 조기 발견과 적시 개입을 가능하게 하기 위해 필수적이며, 특히 자원이 제한된 정신 건강 환경에서 중요합니다. 최근 심층 학습은 감성 컴퓨팅 및 정신 건강 평가를 포함한 다양한 도메인에서 인상적인 성공을 입증했습니다. 기존 접근 방식 대부분은 우울증 추정을 위한 시간적 정보를 모델링하기 위해 RNN 기반 아키텍처(LSTM 및 GRU 등)에 의존합니다. 그러나 추출된 특징은 종종 소수의 인접한 음성 세그먼트만 강조하여 장거리 의존성을 포착하는 능력을 제한합니다. 이러한 제한을 극복하기 위해, 우리는 GRU 추출 특징의 표현 능력을 향상시키는 메모리 기반 특징 증강 방법을 제안합니다. 과거 데이터를 무차별적으로 통합하는 대신, 중복성과 무관성을 줄이기 위해 우리의 메모리 뱅크는 두 가지 유형의 구성 요소를 선택적으로 통합하도록 설계되었습니다: (1) 현재 GRU 출력과 밀접하게 유사한 과거 시간적 특징으로, 보완적인 문맥 정보를 제공합니다; 그리고 (2) 특징 변동성을 기반으로 식별된 동적 메모리 특징으로, 우울증 증상을 나타내는 행동 및 정서적 변동을 포착합니다. 메모리 증강 특징을 GRU 출력과 효과적으로 융합하기 위해, 우리는 계층적 어텐션 융합(HAF) 모듈을 추가로 설계했습니다. 우리의 방법은 널리 사용되는 DAIC-WOZ 및 E-DAIC 데이터셋에서 평가되었으며, 최첨단 성능을 달성했습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.