Bias in masjienleer modelle vir depressie opsporing

Tabel van links Abstracte en Inleiding Die metodologie Resultate Diskusie en verwysing Diskusie Die toenemende voorkoms van geestelike gesondheidstoestande, veral depressie, vorm 'n beduidende globale gesondheidsuitdaging. Sosiale media platforms het ontstaan as ryk data bronne waar individue hul gedagtes en emosies uitdruk, wat 'n unieke geleentheid bied om geestelike gesondheidsprobleme deur middel van gevorderde berekeningsmetodes op te spoor. Masjienleer en diep leer modelle belowe om hierdie groot, ongestruktureerde data te analiseer om patrone wat aan depressie dui. Hierdie stelselmatige oorsig was daarop gemik om die doeltreffendheid van hierdie modelle in die opsporing van depressie op sosiale media te evalueer, met 'n fokus op die identifisering en analise van vooroordele gedurende die ML lewenscyklus. Oorsig van belangrike bevindings Ons oorsig het verskeie belangrike vooroordele en metodologiese uitdagings onthul wat die betroubaarheid en algemeneerbaarheid van masjienleer- en diepleermodelle in hierdie domein beïnvloed. Sample-vooroordele het ontstaan as gevolg van 'n oorheersende afhanklikheid van spesifieke sosiale media-platforms, veral Twitter, wat in 63,8% van die studies gebruik is. Daarbenewens het die meeste studies gefokus op Engelse taalinhoud en gebruikers uit spesifieke geografiese streke, hoofsaaklik die Verenigde State en Europa. Hierdie vooroordele beperk die verteenwoordbaarheid van bevindings, aangesien hulle nie die diversiteit van globale sosiale media-gebruikers vang nie. In data-voorverwerking het baie studies onvoldoende taalkundige nuanses, soos neg Modelontwikkelingsprobleme was ook prominent. Inkonsistente hyperparameter-tuningpraktyke is waargeneem, met slegs 27,7% van die studies wat hiperparameter vir alle modelle behoorlik aangepas het. Verder het sowat 17% van die studies hul data nie behoorlik verdeel in opleiding, validering en toetsreeks nie. Hierdie praktyke kan lei tot oorvulling, wat die modelle se vermoë verminder om te algemeneer tot nuwe data. Met betrekking tot modelbeoordeling, het baie studies baie vertrou op akkuraatheid as die primêre evalueringsmetrieke sonder om klasongelykhede wat inherent is aan depressiedeteksiedatasets aan te spreek. Terwyl ongeveer 74.5% van die studies metmetrieke gebruik het wat geskik is vir onbalans Sterkte en beperkings van die toets Hierdie sistematiese oorsig onderskei vir sy omvattende omvang, ondersoek vooroordele oor die hele ML lewenscyklus, van steekproefneming tot verslaglegging, in depressie-deteksie op sosiale media. Deur die analise nie te beperk tot spesifieke aspekte nie, bied die oorsig 'n holistiese siening van hoe vooroordele model geldigheid kan beïnvloed. Nog 'n sterkte is die gestruktureerde metodologiese benadering, wat aan gevestigde riglyne voldoen met 'n goed gedefinieerde soektogstrategie en duidelike insluitingskriteria. Die fokus op studies wat na 2010 gepubliseer is, weerspieël die nuutste vooruitgang in ML en DL-toepassings vir geestesgesondheid. Die gebruik van gevestigde vooroordeelbeoordelingsinstrumente, veral PROBAST, voeg strengheid by die stelselmatige evaluering van vooroordeel oor sleutelmetodologiese domeine.Daarbenewens het die gedetailleerde data-uittrekselproses van die resensie 'n gestruktureerde analise vergemaklik, wat die identifisering van patrone en die verskaffing van aktiewe aanbevelings, soos die diversifisering van databronne en die verbetering van deursigtigheid, toelaat. Die oorsig het egter ook beperkings. Beperkte databasebedekking en die Engelse beperking kan waardevolle insigte uit nie-Engelse navorsing uitsluit, wat moontlik die veralgemenbaarheid van bevindings kan beïnvloed. Die fokus op onlangse studies (na 2010) mag vroeë invloedryke werke verwaarloos het, terwyl heterogeniteit in studieontwerpe direkte vergelykings belemmer het en 'n kwantitatiewe meta-analise uitsluit het. Verder kan publikasie-bias bevindings na positiewe resultate verdraai, en die uitsluiting van grijs literatuur beteken dat opkomende metodologieë nie ten volle gevang word nie. Ten slotte, terwyl etiese oorwegings erken is, is 'n dieper ondersoek van kwessies soos data privaatheid en geïnformeerde toestemming Hierdie beperkings stel voor gebiede vir verbetering in toekomstige navorsing, soos die uitbreiding van databasis en taaldekking, insluitend grysliteratuur, en die uitvoering van 'n meta-analise waar moontlik. Implikasies vir toekomstige navorsing Om die veralgemeningsbaarheid en toepasbaarheid van masjienlering en diepleringsmodelle in depressiedeteksie op sosiale media te verbeter, is die aanpak van geïdentifiseerde vooroordele noodsaaklik. Eerstens, die diversifisering van data bronne oor verskeie sosiale media platforms en die insluiting van nie-Engelse tale en onderverteenwoordigde streke sal verteenwoordigbaarheid en veralgemeningsbaarheid verbeter.. Verbetering van samplingmetodes is noodsaaklik. Die kombinasie van sleutelwoordgebaseerde sampling met willekeurige sampling tegnieke kan help om seleksie vooroordele te verminder en gebruikers te vang wat nie uitdruklik depressie noem nie, maar relevante gedrag vertoon. In die data-voorverwerkingsstap moet nav Konsistente en omvattende hyperparameter aanpassing oor alle modelle is noodsaaklik om regverdige vergelykings te verseker en modelprestasie te optimaliseer. Goeie data partitioning praktyke, insluitend die gebruik van validering en toetspakke, moet geïmplementeer word om oortolliging te voorkom en model algemeneerbaarheid te evalueer. By die evaluering van modelle, moet navorsers voorrang gee aan metrikes wat klasse-onbalans, soos akkuraatheid, terugroep, F1-score, en AUROC. Hierdie metrikes bied 'n meer gebalanseerde beoordeling van modelprestasie en is meer informatief in die konteks van die opsporing van depressie, waar die minderheidsklasse van primêre belang is. Sluitende opmerkings Hierdie stelselmatige oorsig beklemtoon beduidende metodologiese beperkings in huidige navorsing oor die opsporing van depressie deur middel van sosiale media-analise met behulp van masjienleer- en diepleermodelle. Die aanpak van hierdie beperkings is noodsaaklik vir die ontwikkeling van meer akkurate, betroubare en algemene modelle wat individue wat risiko vir depressie kan identifiseer. Toekomstige navorsing moet fokus op die diversifisering van data bronne, die verbetering van steekproefmetodes, die verbetering van data voorverwerking en modelontwikkeling praktyke, en die gebruik van toepaslike evalueringsmetrikes om gebalanseerde en betekenisvolle assessings te verseker. Deur hierdie metodologiese benaderings te bevorder, kan navorsers bydra tot die bevordering van geestesgesondheiddeteksietools wat eties gesond en effektief is oor verskillende bevolkings en platforms. Appendix 1. beoordeel studies oor masjienleer modelle vir depressie op sosiale media opspoor Verwysings : Agarwal, A. K., Mittal, J., Tran, A., Merchant, R., & Guntuku, S. C. (2023). Onderzoek van sosiale media om Emergency Medicine dokters se emosionele welsyn tydens COVID19 te evalueer. JAMA Netw Open, 6(5), e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). Groot data analise op sosiale netwerke vir real-time depressie opsporing. J Big Data, 9(1), 69. https://doi.org/10.1186/s40537-022- 00622-2 Baghdadi, N. A., Malki, A., Magdy Balaha, H., AbdulAzeem, Y., Badawy, M., & Elhosseini, M. (2022). 'N Geoptimaliseerde diep leer benadering vir selfmoorddeteksie deur middel van Arabiese tweets. PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). Konsument se persepsies van telegesondheid vir geestelike gesondheid of dwelmmisbruik: 'n Twitter-gebaseerde onderwerpmodelleringsanalise. JAMIA Open, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). Gevoelens oor geestelike gesondheid op TwitterVoordat en tydens die COVID-19-pandemie. Gesondheidsorg (Basel), 11(21). https://doi.org/10.3390/healthcare11212893 Bishop, C. M. (2006). Pattern erkenning en masjien leer. Springer. Uitgewer beskrywing http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC Stapel: 'N Diepe Leer Ensemble om angs, depressie, en hul comorbiditeit te klassifiseer Uit Reddit tekste. IEEE J Biomed Gesondheid Inform, 26(7), 3303-3311. https://doi.org/10.1109/JBHI.2022.3151589 Calvo, R. A., Milne, D. N., Hussain, M. S., & Christensen, H. (2017). Natuurlike taalverwerking in geestelike gesondheidstoepassings met behulp van nie-kliniese tekste. Natuurlike taalingenieurswese, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Chandler, J., & Shapiro, D. (2016). Voer kliniese navorsing gebruik Crowdsourced gemak monsters. Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). COVID-19 sentiment analise via diepe leer tydens die opkoms van nuwe gevalle. PLoS Een, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004). Redaktionele: Spesiale Vraag oor die leer van ongebalanseerde datasets. SIGKDD Explorations, 6, 1-6. https://doi.org/10.1145/1007730.1007733 Chen, L., Gong, T., Kosinski, M., Stillwell, D., & Davidson, R. L. (2017). Bou 'n profiel van subjektiewe welsyn vir sosiale media gebruikers. PLoS Een, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). 'N teksgebaseerde benadering vir depressiedeteksie met behulp van masjienlerende klassifikasies en sosiale media tekste. Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M., & De Moor, B. (2015). Hyperparameter soek in masjien leer. Danet, B., & Herring, S. C. (2007). Die meertalige internet: taal, kultuur en kommunikasie aanlyn. Das Swain, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). Gebruik van sosiale media om COVID-19-geïnduceerde versteurings in geestelike welstand onder universiteitsstudente te voorspel: Modelleer studie. JMIR Form Res, 8, e52316. https://doi.org/10.2196/52316 Davis, B. D., McKnight, D. E., Teodorescu, D., Quan-Haase, A., Chunara, R., Fyshe, A., & Lizotte, D. J. (2020). Kwantifisering van depressie-verwante taal op sosiale media tydens die COVID-19-pandemie. Int J Popul Data Sci, 5(4), 1716. https://doi.org/10.23889/ijpds.v5i4.1716 de Anta, L., Alvarez-Mon, M. A., Ortega, M. A., Salazar, C., Donat-Vargas, C., SantomaVilaclara, J., Martin-Martinez, M., Lahera, G., Gutierrez-Rojas, L., Rodriguez-Jimenez, R., Quintero, J., & Alvarez-Mon, M. (2022). Gebiede van belang en sosiale oorweging van antidepressante op Engelse Tweets: 'N Natuurlike taalverwerking Klassifikasie Studie. J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013). Sosiale media as 'n instrument om depressie in bevolkings te meet. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). Voorspel depressie deur middel van sosiale media. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Vooropleiding van dieper bidirectionele transformateurs vir taalbegrip. https://arxiv.org/abs/1810.04805 Doan, S., Ritchart, A., Perry, N., Chaparro, J. D., & Conway, M. (2017). Hoe maak jy #relax wanneer jy is #stressed? 'n Inhoud Analise en Infodemiologie Studie van Stress-verwante Tweets. JMIR Openbare Gesondheid Surveill, 3(2), e35. https://doi.org/10.2196/publichealth.5939 Fernández, A., García, S., Galar, M., Prati, R., Krawczyk, B., & Herrera, F. (2018). Leer van onbalans data stel. https://doi.org/10.1007/978-3-319-98074-4 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Diepe leer. Die MIT Pers. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). Bestudeer uitdrukkings van eensaamheid in individue met behulp van twitter: 'n waarnemingsstudie. BMJ Open, 9(11), e030355. https://doi.org/10.1136/bmjopen2019-030355 Guntuku, S. C., Yaden, D. B., Kern, M. L., Ungar, L. H., & Eichstaedt, J. C. (2017). Opsporing van depressie en geestelike siekte op sosiale media: 'n integratiewe oorsig. huidige opinie in sielkunde, 18, 43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). Is groter altyd beter? Potensieel vooroordele van groot data wat van sosiale netwerke afkomstig is. Die Annals van die Amerikaanse Akademie vir Politieke en Sosiale Wetenskappe, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., & Tibshirani, R. (2009). Die elemente van statistiese leer: data mining, inferensie en voorspelling. Hy, H., & Garcia, E. A. (2009). Leer van onbalanserde data. IEEE Transaksie op Kennis en Data Engineering, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 Helmy, A., Nassar, R., & Ramdan, N. (2024). Depressie opsporing vir twitter gebruikers met behulp van sentiment analise in Engelse en Arabiese tweets. Artif Intell Med, 147, 102716. https://doi.org/10.1016/j.artmed.2023.102716 Islam, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., & Ulhaq, A. (2018). Ontdekking van depressie uit sosiale netwerk data met behulp van masjienleer tegnieke. Gesondheid Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). Momenteel depressiewe gevoelens opspoor met behulp van X (voorheen Twitter) Data: Kontextuele Taal benadering. JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). Assessment Metrics vir ongebalanseerde leer. Die Instituut van Elektrisiteit en Elektronika ingenieurs, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., & Stephen, S. (2002). Die Klas Onbalans Probleem: 'n Stelselmatige Studie. Intell. Data Anal., 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). Gebruik van die internet om sielkundige probleme aan te spreek: Die goeie, die slegte en die slegte. Internasionale tydskrif van omgewingsnavorsing en openbare gesondheid, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). 'n Voorgestelde Sentiment Analysis Deep Learning Algoritme vir die Analyse van COVID-19 Tweets. Inf Syst Front, 23(6), 1417-1429. https://doi.org/10.1007/s10796-021-10135-7 Kavuluru, R., Williams, A. G., Ramos-Morales, M., Haye, L., Holaday, T., & Cerel, J. (2016). Klassifikasie van nuttige kommentaar op Online Suicide Watch Forums. ACM BCB, 2016, 32-40. https://doi.org/10.1145/2975167.2975170 Kelley, S. W., Mhaonaigh, C. N., Burke, L., Whelan, R., & Gillan, C. M. (2022). Masjienleer van taalgebruik op Twitter onthul swak en nie-spesifieke voorspellings. NPJ Digit Med, 5(1), 35. https://doi.org/10.1038/s41746-022-00576-y Kessler, R. C. B., P.; Demler, O.; Jin, R.; Walters, E. E. (2005). Levetyd prevalensie en ouderdom-van-begin verspreiding van DSM-IV versteurings in die Nasionale Comorbidity Survey Replication. Archiewe van Algemene Psigiatrie, 62(6), 593-602. https://doi.org/10.1001/archpsyc.62.6.593 Khandelwal, A., & Sawant, S. (2020). NegBERT: 'N Transfer Learning Approach for Negation Detection and Scope Resolution. Proceedings of the Twelfth Language Resources and Evaluation Conference (LREC 2020), Kim, J., Lee, J., Park, E., & Han, J. (2020). 'N diep leermodel vir die opsporing van geestelike siekte uit gebruikersinhoud op sosiale media. Sci Rep, 10(1), 11846. https://doi.org/10.1038/s41598- 020-68764-y Levanti, D., Monastero, R. N., Zamani, M., Eichstaedt, J. C., Giorgi, S., Schwartz, H. A., & Meliker, J. R. (2023). Depressie en angs op Twitter tydens die COVID-19 Stay-At-Home Periode in 7 groot Amerikaanse stede. AJPM Fokus, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). Ontdekking van depressiewe emosies en gedragsanalyse van mans wat seks met mans het via sosiale media. Front Psigiatrie, 11, 830. https://doi.org/10.3389/fpsyt.2020.00830 Low, D. M., Rumker, L., Talkar, T., Torous, J., Cecchi, G., & Ghosh, S. (2020). Natuurlike taalverwerking onthul kwesbare geestelike gesondheidsondersteuningsgroepe en verhoogde gesondheidsangst op Reddit tydens COVID-19: waarnemingsstudie. J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). Is die steekproef goed genoeg? Vergelyk data van Twitter se streaming API met Twitter se branderige 7de Internasionale AAAI Konferensie oor Weblogs en Sosiale Media, ICWSM 2013, http://www.scopus.com/inward/record.url?scp=84892704954&partnerID=8YFLogxK Hy is die enigste persoon wat in die wêreld geleer het. https://info.deeplearning.ai/machine-learningyearning-book Ng, Q. X., Lim, Y. L., Ong, C., New, S., Fam, J., & Liew, T. M. (2024). Hype of hoop? Ketamine vir die behandeling van depressie: resultate van die toepassing van diep leer om Twitter poste van 2010 tot 2023. Front Psychiatry, 15, 1369727. https://doi.org/10.3389/fpsyt.2024.1369727 Obagbuwa, I. C., Danster, S., & Chibaya, O. C. (2023). Opgeleide masjien leer modelle vir depressie sentiment analise. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). Sosiale data: vooroordeel, metodologiese pitfalls, en etiese grense. Front Big data, 2, 13. https://doi.org/10.3389/fdata.2019.00013 Ophir, Y., Tikochinski, R., Asterhan, C. S. C., Sisso, I., & Reichart, R. (2020). Diepe neurale netwerke identifiseer die risiko van selfmoord uit teks facebook-posse. Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 Organisasie, W. H. (2020). Depressie https://www.who.int/news-room/factsheets/detail/depressie Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). Om vroeë gesondheidsorgintervensies te toelaat deur depressie in gebruikers van Webgebaseerde forums met behulp van taalmodelle op te spoor: Longitudinale analise en evaluering. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). Om vroeë gesondheidsorgintervensies te toelaat deur depressie in gebruikers van Webgebaseerde forums te ontdek met behulp van taalmodelle: langwerpige analise en evaluering. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 met real-time data en masjienlering. Npj Ment Health Res, 3(1), 3. https://doi.org/10.1038/s44184-023-00045-8 Prieto, V. M., Matos, S., Alvarez, M., Cacheda, F., & Oliveira, J. L. (2014). Twitter: 'n goeie plek om gesondheidstoestande op te spoor. PLoS Een, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). Tuningbaarheid: Betekenis van hiperparameters van masjienlering algoritmes. Journal of Machine Learning Research, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). 'N Masjienleer benadering voorspel toekomstige risiko's vir selfmoordgedagtes uit sosiale media data. NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). Taalgebruik van depressiewe en depressie-kwetsbare kollege studente. Kennis en emosies, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). Sosiale media besprekings voorspel geestelike gesondheidskonsultasies op kollege kampusse. Sci Rep, 12(1), 123. https://doi.org/10.1038/s41598-021-03423-4 Shatte, A. B. R., Hutchinson, D. M., Fuller-Tyszkiewicz, M., & Teague, S. J. (2020). Sosiale media markers om vaders met 'n risiko van postpartum depressie te identifiseer: 'n masjienlerende benadering. Cyberpsychol Behav Soc Netw, 23(9), 611-618. https://doi.org/10.1089/cyber.2019.0746 Shatte, A. B. R., Hutchinson, D. M., & Teague, S. J. (2019). Masjienleer in geestelike gesondheid: 'n omvattende oorsig van metodes en toepassings. Sielkundige Geneeskunde, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). Syntese van affektiewe uitdrukkings en kunsmatige intelligensie om geestelike verdrukking in die aanlyngemeenskap te ontdek. Int J Ment Gesondheid verslaafde, 1-26. https://doi.org/10.1007/s11469-022-00966-z Sun, B., Zhang, Y., He, J., Xiao, Y., & Xiao, R. (2019). 'N outomatiese diagnostiese netwerk met behulp van skew-robust adversarial diskriminatiewe domein aanpassing om die erns van depressie te evalueer. Comput Methods Programs Biomed, 173, 185-195. https://doi.org/10.1016/j.cmpb.2019.01.006 pnarekha, H., Nayak, J., Behera, H. S., Dash, P. B., & Pelusi, D. (2023). 'N Optimistiese vuurvlieg-algoritme-gebaseerde diep leer benadering vir sentiment analise van COVID-19 tweets. Wiskunde Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). Voorspel toekomstige geestelike siekte van sosiale media: 'n groot data benadering. Behav Res Methods, 51(4), 1586-1600. https://doi.org/10.3758/s13428-019- 01235-z Trifan, A., Semeraro, D., Drake, J., Bukowski, R., & Oliveira, J. L. (2020). Sosiale Media Mining vir Postpartum Depressie Voorspelling. Stud Gesondheid Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). Korreksie: Emosionele verdrukking tydens COVID-19 deur geestelike gesondheidstoestande en ekonomiese kwesbaarheid: Retrospektiewe analise van opname-verwante Twitter data met 'n semi-opgeleide masjienlering algoritme. J Med Internet Res, 25, e47549. https://doi.org/10.2196/47549 Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., Mallett, S., & Groep, P. (2019). PROBAST: 'N Tool om die risiko van vooroordeel en toepaslikheid van voorspelling model studies te evalueer. Annals van interne medisyne, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., Mallett, S., & Groep, P. (2019). PROBAST: 'N Tool om die risiko van vooroordeel en toepaslikheid van voorspelling model studies te evalueer. Annals van interne medisyne, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wongkoblap, A., Vadillo, M. A., & Curcin, V. (2021). Diepe leer met Anaphora Resolusie vir die opsporing van tweeters met depressie: Algoritme Ontwikkeling en Validasie Studie. JMIR Ment Gesondheid, 8(8), e19824. https://doi.org/10.2196/19824 Yang, L., & Shami, A. (2020). Op hyperparameter optimalisering van masjien leer algoritmes: Teorie en praktyk. Neurocomputing, 415, 295-316. https://doi.org/https://doi.org/10.1016/j.neucom.2020.07.061 Yao, H., Rashidian, S., Dong, X., Duanmu, H., Rosenthal, R. N., & Wang, F. (2020). Opsporing van selfmoord onder opioïedgebruikers op Reddit: Masjienleergebaseerde benadering. J Med Internet Res, 22(11), e15293. https://doi.org/10.2196/15293 Yazdavar, A. H., Al-Olimat, H. S., Ebrahimi, M., Bajaj, G., Banerjee, T., Thirunarayan, K., Pathak, J., & Sheth, A. (2017). Semi-opgeleide benadering tot die monitoring van kliniese depressiewe simptome in sosiale media. Proc IEEE ACM Int Conf Adv Soc Netw Anal Min, 2017, 1191-1198. https://doi.org/10.1145/3110025.3123028 Yazdavar, A. H., Mahdavinejad, M. S., Bajaj, G., Romine, W., Sheth, A., Monadjemi, A. H., Thirunarayan, K., Meddar, J. M., Myers, A., Pathak, J., & Hitzler, P. (2020). Multimodale geestelike gesondheidsanalise in sosiale media. PLoS Een, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). 'N Skalbare raamwerk om persoonlike gesondheidsopmerkings op Twitter op te spoor. J Med Internet Res, 17(6), e138. https://doi.org/10.2196/jmir.4305 Zhou, T. H., Hu, G. L., & Wang, L. (2019). Sielkundige versteuring Identifiseer metode gebaseer op emosionele persepsie oor sosiale netwerke. Int J Environ Res Openbare Gesondheid, 16(6). https://doi.org/10.3390/ijerph16060953 Zogan, H., Razzak, I., Wang, X., Jameel, S., & Xu, G. (2022). Verduidelikbare depressie-deteksie met multi-aspekte funksies met behulp van 'n hibrid diepe leermodel op sosiale media. Wêreldwye Web, 25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 Die skrywers: (1) Yuchen Cao, Khoury kollege van rekenaarwetenskap, Northeastern Universiteit; (2) Jianglai Dai, Departement van EECS, Universiteit van Kalifornië, Berkeley; (3) Zhongyan Wang, Sentrum vir Data Wetenskap, New York Universiteit; (4) Yeyubei Zhang, Skool van ingenieurswese en toegepaste wetenskap, Universiteit van Pennsylvania; (5) Xiaorui Shen, Khoury kollege van rekenaarwetenskap, Northeastern Universiteit; (6) Yunchong Liu, Skool van ingenieurswese en toegepaste wetenskap, Universiteit van Pennsylvania; (7) Yexin Tian, Georgië Instituut van Tegnologie, Kollege van Computing. Authors: (1) Yuchen Cao, Khoury kollege van rekenaarwetenskap, Northeastern Universiteit; (2) Jianglai Dai, Departement van EECS, Universiteit van Kalifornië, Berkeley; (3) Zhongyan Wang, Sentrum vir Data Wetenskap, New York Universiteit; (4) Yeyubei Zhang, Skool van ingenieurswese en toegepaste wetenskap, Universiteit van Pennsylvania; (5) Xiaorui Shen, Khoury kollege van rekenaarwetenskap, Northeastern Universiteit; (6) Yunchong Liu, Skool van ingenieurswese en toegepaste wetenskap, Universiteit van Pennsylvania; (7) Yexin Tian, Georgië Instituut van Tegnologie, Kollege van Computing. Hierdie artikel is beskikbaar op archiv onder CC BY 4.0 lisensie. Hierdie artikel is beskikbaar op archiv onder CC BY 4.0 lisensie.