ИИ, депрессия и социальные сети: что нам сообщает новое исследование
10 июня 2025 г.Таблица ссылок
- Аннотация и введение
- Методология
- Результаты
- Обсуждение и ссылка
Методология
Стратегия поиска
Поиск был сосредоточен на публикациях по машинному обучению и моделям глубокого обучения для обнаружения депрессии и других заболеваний психического здоровья с использованием данных в социальных сетях, в первую очередь из таких платформ, как Twitter, Facebook и Reddit. Чтобы выявить соответствующие исследования, был проведен систематический поиск в нескольких академических базах данных, включая PubMed и IEEE XPLORE, с Google Scholar использовался для дополнительных источников. Поисковые термины включали в себя комбинации «машинного обучения», «глубокого обучения», «искусственного интеллекта», «социальных сетей», «Twitter», «Facebook», «Reddit», «депрессии», «Анализ настроений» и «Психического здоровья». Чтобы расширить объем поиска, были включены дополнительные термины, такие как «тревога», «психические расстройства», «нейронные сети» и «контролируемое обучение». Процесс поиска был проведен с июня по июль 2024 года.
Стратегия поиска была структурирована в трех основных категориях: платформы социальных сетей (например, «социальные сети», «Twitter», «Facebook», «Reddit»), темы психического здоровья (например, «депрессия», «анализ настроений»), а также методы анализа машинного обучения и анализа данных (например, «машинное обучение», «глубокое обучение», «Искусственное интеллект»). Комплексный поисковый запрос, сформулированный для этого обзора:
((«Социальные сети» или «Twitter» или «Facebook» или «reddit») и («депрессия» или «анализ настроений» или «психическое здоровье» или «тревожность» или «психические расстройства») и («машинное обучение» или «глубокое обучение» или «искусственный интеллект» или «нейронные сети» или «контролируемое обучение»).
Критерии включения и исключения
Чтобы быть включенным в этот обзор, исследования, необходимые для соответствия следующим критериям:
Дата публикации: исследования, опубликованные после 2010 года
Язык: только исследования, опубликованные на английском языке, были включены.
Фокус исследований: исследование должно использовать модели машинного обучения или глубокого обучения для обнаружения депрессии или других заболеваний психического здоровья, с особым акцентом на анализ данных с платформ социальных сетей, таких как Twitter, Facebook или Reddit.
Тип исследования: обзор включал в себя первичные исследовательские статьи, в частности, те, которые включали анализ, управляемые данными. Исследования были исключены на основе следующих критериев:
Тип публикации: обзорные статьи, систематические обзоры, рефераты конференции, редакционные статьи, предметы общественного мнения и литература, не рецензируемая, была исключена.
Область: исследования, не сфокусированные непосредственно на обнаружении психического здоровья через социальные сети, или на тех, кто не имел применения моделей машинного обучения, были исключены.
Методология: исследования, которые не использовали непосредственно модели машинного обучения или глубокого обучения и вместо этого полагались исключительно на количественный анализ, были исключены
Процесс отбора исследования
Процесс отбора проводился на три этапа, чтобы обеспечить строгий и беспристрастный обзор соответствующих исследований:
1. Начальная идентификация: дубликаты были удалены, и начальный скрининг проводился на основе названий и рефератов для фильтрации не относящихся к делу исследованиям.
2. Название и абстрактный скрининг: Независимый обзор двумя исследователями для оценки актуальности на основе названий и рефератов. Были обсуждены любые расхождения и решены для обеспечения последовательного процесса проверки.
3. Полнотекстовый скрининг: был проведен комплексный обзор полных текстов выбранных исследований. Любые разногласия были разрешены в результате обсуждения, чтобы поддерживать непредвзятый процесс отбора. Кроме того, для рассмотрения были включены соответствующие исследования, выявленные с помощью ссылок в полнотекстовых статьях.
Извлечение и анализ данных
Процесс извлечения данных включал с использованием стандартизированной формы для систематического сбора подробной информации из каждого выбранного исследования. Форма включала в себя поля для записи имен авторов, названия обучения, журналов изданий и лет публикации. Он также задокументировал дизайн исследования, настройки и размеры выборки, наряду с конкретными критериями включения и исключения. Кроме того, форма предоставила подробную информацию о использованных моделях машинного обучения, проанализированных платформах социальных сетей (таких как Twitter, Facebook и Weibo), а также о основных и вторичных результатах. Кроме того, показатели производительности, включая точность, точность, отзыв, оценку F1 и область под кривой рабочей характеристики приемника (AUROC), были собраны применимым.
Особое внимание было уделено выявлению потенциальных источников предвзятости, ограничений исследования и источников финансирования, обеспечивая комплексный обзор контекста и надежности каждого исследования. В таблице 1 ниже описывается ключевые категории и детали, включенные в форму извлечения данных.
Этот структурированный подход к извлечению данных предоставил систематический и всесторонний обзор каждого исследования, обеспечивавшие тщательно документированные критические аспекты, относящиеся к приложениям машинного обучения в области обнаружения психического здоровья.
Аналитические методы, используемые для синтеза результатов
Извлеченные данные были синтезированы с использованием повествовательного подхода, систематического изучения каждого аспекта жизненного цикла машинного обучения - рассылка, предварительная обработка данных, построение модели, настройку, оценку, сравнение и отчетность - при выбранных исследованиях. Этот синтез включал в себя рассмотрение того, как исследования приблизились к отбору отбора проб и предварительной обработки данных, изучение их подходов к моделированию построению и настройки, а также оценку оценки модели и сравнения на основе количественных показателей, таких как точность, точность, отзыв, оценки F1 и AuroC. На каждом этапе мы суммировали методологии, используемые исследованиями, и определили потенциальные предубеждения с установленными инструментами. Этот комплексный подход дал представление о текущем состоянии исследований, выделяя области для будущих исследований для повышения точности, обобщения и применимости моделей машинного обучения в этой области.
Авторы:
(1) Ючен Цао, Колледж компьютерных наук Хури, Северо -Восточный университет;
(2) Цзяньглай Дай, факультет EECS, Университет Калифорнии, Беркли;
(3) Чжуньян Ван, Центр наук о данных, Нью -Йоркский университет;
(4) Yeyubei Zhang, Школа инженерии и прикладных наук, Университет Пенсильвании;
(5) Сяоруи Шен, Колледж компьютерных наук Хури, Северо -Восточный университет;
(6) Юнбун Лю, Школа инженерии и прикладных наук, Университет Пенсильвании;
(7) Yexin Tian, Технологический институт Джорджии, Колледж компьютеров.
Эта статья естьДоступно на Arxivпод CC по 4,0 лицензии.
Оригинал