Predrasude u modelima strojnog učenja za detekciju depresije

Levo od stola Abstrakcija i uvod Metodologija Rezultati Diskusije i reference Diskusija Povećana prevalencija mentalnih zdravstvenih stanja, posebno depresije, predstavlja značajan globalni zdravstveni izazov. Platforme društvenih medija pojavile su se kao bogati izvori podataka u kojima pojedinci izražavaju svoje misli i emocije, nudeći jedinstvenu priliku za otkrivanje problema mentalnog zdravlja kroz napredne računalne metode. Modeli strojnog učenja i dubokog učenja imaju obećanje za analizu ovih ogromnih, nestrukturiranih podataka kako bi se identificirali obrasci koji ukazuju na depresiju. Ovaj sistematski pregled imao je za cilj procjenu efikasnosti ovih modela u otkrivanju depresije na društvenim medijima, usredotočujući se na identifikaciju i analizu predrasuda kroz životni ciklus ML. Sažetak ključnih nalaza Naš pregled otkrio je nekoliko ključnih predrasuda i metodoloških izazova koji utječu na pouzdanost i generalizabilnost modela strojnog učenja i dubokog učenja u ovom području. Predrasude u uzorkovanju pojavile su se zbog prevladavajuće ovisnosti o specifičnim platformama društvenih medija, posebno Twitteru, koji je korišćen u 63.8% studija. Osim toga, većina studija usmjerena je na sadržaj na engleskom jeziku i korisnike iz specifičnih geografskih regija, prvenstveno Sjedinjenih Država i Europe. Ove predrasude ograničavaju reprezentativnost nalaza, jer ne hvataju raznolikost globalnih korisnika društvenih medija. U pretprocesiranju podataka, mnoge studije nisu adekvatno rješavale jezične nijanse, kao što su Problemi razvoja modela bili su takođe istaknuti. Praktike neusklađenog hiperparametarskog prilagođavanja promatrane su, sa samo 27,7% studija koje pravilno prilagođavaju hiperparametre za sve modele. Štoviše, oko 17% studija nije adekvatno podijelilo svoje podatke u obuke, validaciju i testove. Ove prakse mogu dovesti do prekomjernog prilagođavanja, smanjujući sposobnost modela da generaliziraju na nove podatke. Što se tiče evaluacije modela, mnoge studije uvelike su se oslanjale na točnost kao primarnu metru evaluacije bez rješavanja neravnoteže klase svojstvene skupovima podataka za detekciju depresije. Dok je oko 74.5% studija koristilo metrike pogodne za neuravnotežene podatke, kao što su preciznost Snage i ograničenja revizije Ovaj sistematski pregled ističe se po svom sveobuhvatnom opsegu, ispitujući predrasude kroz čitav ML životni ciklus, od uzorkovanja do izvješćivanja, u detekciji depresije na društvenim mrežama. Ne ograničavajući analizu na specifične aspekte, pregled nudi holistički pogled na to kako predrasude mogu uticati na valjanost modela. Još jedna snaga je strukturirani metodološki pristup, pridržavajući se uspostavljenih smjernica sa dobro definisanom strategijom pretraživanja i jasnim kriterijima uključivanja. Fokusirajući se na studije objavljene nakon 2010. godine, odražava najnoviji napredak u ML i DL aplikacijama za mentalno zdravlje. Korištenje uspostavljenih alata za procjenu predrasuda, posebno PROBAST, dodaje rigoroznost sistematskom evaluacijom predrasuda u ključnim metodološkim domenama. Osim toga, detaljan proces ekstrakcije podataka u pregledu olakšao je strukturiranu analizu, omogućujući identifikaciju uzoraka i pružanje preporuka koje se mogu primijeniti, kao što su diversifikacija izvora podataka i poboljšanje transparentnosti. Međutim, pregled ima i ograničenja. Ograničena pokrivenost baze podataka i ograničenje samo na engleskom jeziku mogu isključiti vrijedne uvidove iz ne-engleskog istraživanja, što potencijalno utiče na generalizabilnost nalaza. Fokus na nedavne studije (posle 2010. godine) mogao je zanemariti ranije utjecajne radove, dok je heterogenost u dizajnu studije ometala izravne usporedbe i isključila kvantitativnu meta-analizu. Štoviše, pristranost objavljivanja mogla bi preokrenuti nalaze prema pozitivnim rezultatima, a isključivanje sive literature znači da nove metodologije možda neće biti u potpunosti uhvaćene. Konačno, dok su etička razmatranja bila priznata, duboko istraživanje pitanja kao što su privatnost podataka i informisana Ova ograničenja sugeriraju područja za poboljšanje u budućim istraživanjima, kao što su proširenje baze podataka i jezičnog pokrića, uključujući sivu literaturu, i provođenje meta-analize gdje je moguće. Implikacije za buduća istraživanja Kako bi se poboljšala generalizabilnost i primjenjivost modela strojnog učenja i dubokog učenja u detekciji depresije na društvenim mrežama, rješavanje identificiranih predrasuda je neophodno. Prvo, diversifikacija izvora podataka na više platformi društvenih medija i uključivanje ne-engleskih jezika i podreprezentovanih regija poboljšaće reprezentativnost i generalizabilnost.. Poboljšanje metoda uzorkovanja je ključno. Kombinacija uzorkovanja zasnovanog na ključnim rečima sa tehnikama slučajnog uzorkovanja može pomoći u smanjenju predrasuda u odabiru i hvatanju korisnika koji ne mogu eksplicitno spomenuti depresiju, već pokazuju relevantna ponašanja. U koraku predobrada podataka, istraživači bi trebali standardizovati pr Dosljedno i sveobuhvatno prilagođavanje hiperparametra u svim modelima ključno je za osiguravanje fer poređenja i optimizaciju performansi modela. Prikladne prakse particioniranja podataka, uključujući upotrebu validacija i test setova, trebalo bi provesti kako bi se spriječilo prekomjerno prilagođavanje i procijenila generalizabilnost modela. Prilikom procjene modela, istraživači bi trebali dati prioritet metrikama koje uzimaju u obzir neravnotežu klase, kao što su preciznost, opoziv, F1 rezultat i AUROC. Ove metrike pružaju uravnoteženiju procjenu performansi modela i informativnije su u kontekstu detekcije depresije, gde je manjinska klasa od primarnog interesa. Zaključne primjedbe Ovaj sistematski pregled naglašava značajna metodološka ograničenja u trenutačnim istraživanjima o otkrivanju depresije kroz analizu društvenih medija pomoću modela strojnog učenja i dubokog učenja. Rješavanje tih ograničenja ključno je za razvoj točnijih, pouzdanijih i generalizabilnih modela koji mogu efikasno identificirati pojedince u riziku od depresije. Buduća istraživanja trebala bi se usredotočiti na diversifikaciju izvora podataka, poboljšanje metoda uzorkovanja, poboljšanje praksi predobdelavanja podataka i razvoja modela te upotrebu odgovarajućih metrika evaluacije kako bi se osigurale uravnotežene i značajne procjene. Napredovanjem ovih metodoloških pristupa, istraživači mogu doprinijeti unapređenju alata za detekciju mentalnog zdravlja koji su etički čvrsti i efikasni u različitim populacijama i platformama. Studije o modelima strojnog učenja za detekciju depresije na društvenim mrežama Reference za: Agarwal, A. K., Mittal, J., Tran, A., Trgovac, R., & Guntuku, S. C. (2023). Istraživanje društvenih medija za procjenu emocionalnog blagostanja liječnika hitne medicine tokom COVID19. JAMA Netw Open, 6(5), e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). Analiza velikih podataka na društvenim mrežama za detekciju depresije u realnom vremenu. 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). Optimizovani pristup dubokom učenju za otkrivanje samoubistva putem arapskih tweetova. PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). Percepcije potrošača o daljinskom zdravlju za mentalno zdravlje ili zloupotrebu supstanci: analiza modeliranja tema zasnovana na Twitteru. JAMIA Open, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). Osjećaji o mentalnom zdravlju na TwitteruPrije i tijekom COVID-19 pandemije. Zdravstvo (Basel), 11(21). https://doi.org/10.3390/healthcare11212893 Bishop, C. M. (2006). Prepoznavanje obrasca i strojno učenje. Springer. Opis izdavača http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC Stacking: A Deep Learning Ensemble za klasifikaciju anksioznosti, depresije i njihove komorbidnosti iz Reddit tekstova. IEEE J Biomed Health 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). Prirodna obrada jezika u aplikacijama za mentalno zdravlje koristeći nekliničke tekstove. Prirodno inženjerstvo jezika, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). COVID-19 sentiment analiza kroz duboko učenje tokom uspon novog slučajeva. PLoS Jedan, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004). Editorial: Specijalno pitanje o učenju iz neuravnoteženih skupova podataka. SIGKDD Explorations, 6, 1-6. https://doi.org/10.1145/1007730.1007733 Chen, L., Gong, T., Kosinski, M., Stillwell, D., & Davidson, R. L. (2017). Izgradnja profila subjektivnog blagostanja za korisnike društvenih medija. PLoS Jedan, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). Pristup koji se temelji na tekstu koji sadrži pristup detekciji depresije pomoću klasifikatora za strojno učenje i tekstova društvenih medija. Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M., & De Moor, B. (2015). Hiperparametarsko pretraživanje u strojnom učenju. Danet, B., & Herring, S. C. (2007). višejezični Internet: jezik, kultura i komunikacija online. Das Swain, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). Iskorištavanje društvenih medija za predviđanje poremećaja izazvanih COVID-19-om na mentalnu dobrobit među studentima univerziteta: studija modeliranja. JMIR obrazac 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). Kvantificiranje jezika povezanog s depresijom na društvenim mrežama tokom COVID-19 pandemije. 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). Područja interesa i društvena razmatranja antidepresiva na engleskim tweetovima: Studija klasifikacije prirodne obrade jezika. J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013). Društvene mreže kao alat za mjerenje depresije u populacijama. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). Predviđanje depresije putem društvenih medija. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-trening dubokih dvosmernih transformatora za razumevanje jezika. https://arxiv.org/abs/1810.04805 Doan, S., Ritchart, A., Perry, N., Chaparro, J. D., & Conway, M. (2017). Kako se opustiti kada ste #stresirani? Analiza sadržaja i studija infodemiologije o tweetovima koji se odnose na stres. JMIR javni zdravstveni nadzor, 3(2), e35. https://doi.org/10.2196/publichealth.5939 Fernández, A., García, S., Galar, M., Prati, R., Krawczyk, B., & Herrera, F. (2018). Učenje iz neuravnoteženih setova podataka. https://doi.org/10.1007/978-3-319-98074-4 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Duboko učenje. The MIT Press. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). Proučavanje izraza usamljenosti kod pojedinaca koristeći twitter: promatračka studija. 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). Detekcija depresije i mentalnih bolesti na društvenim mrežama: integrativni pregled. Trenutno mišljenje u psihologiji, 18, 43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). Je li veći uvek bolji? Potencijalne predrasude velikih podataka proizvedene iz društvenih mreža. Anali Američke akademije političkih i društvenih nauka, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., & Tibshirani, R. (2009). Elementi statističkog učenja: rudarenje podataka, zaključivanje i predviđanje. He, H., & Garcia, E. A. (2009). Učenje iz neuravnoteženih podataka. IEEE Transakcije o znanju i inženjeringu podataka, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 Helmy, A., Nassar, R., & Ramdan, N. (2024). Detekcija depresije za korisnike twittera koristeći analizu osjećaja na engleskom i arapskom tweetu. 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). Detekcija depresije iz podataka društvenih mreža koristeći tehnike strojnog učenja. Zdravlje Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). Trenutna detekcija depresivnih osjećaja pomoću X (nekada Twitter) podataka: Kontekstualni pristup jeziku. JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). Metrike procjene za neuravnoteženo učenje. Institut za električne i elektronske inženjere, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., & Stephen, S. (2002). Klasa Neravnoteža Problem: Sistematsko istraživanje. Intell. Analni podaci, 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). Korištenje Interneta za rješavanje psiholoških problema: Dobro, loše i ružno. Međunarodni časopis za istraživanje okoliša i javno zdravlje, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). Predložena analiza osjećaja Algoritam dubokog učenja za analizu 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). Klasifikacija korisnih komentara na online forumima za pratnju samoubistva. 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). Mašinsko učenje upotrebe jezika na Twitteru otkriva slabe i nespecifične predviđanja. 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). Životna prevalencija i dob-of-početka raspodjele poremećaja DSM-IV u Nacionalnom Comorbidity Survey Replication. Arhiva Opće psihijatrije, 62(6), 593-602. https://doi.org/10.1001/archpsyc.62.6.593 Khandelwal, A., & Sawant, S. (2020). NegBERT: A 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). Model dubokog učenja za otkrivanje mentalnih bolesti iz korisničkog sadržaja na društvenim mrežama. 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). Depresija i anksioznost na Twitteru Tokom COVID-19 boravak-at-home period u 7 glavnih američkih gradova. AJPM Fokus, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). Detekcija depresivnih emocija i analiza ponašanja muškaraca koji imaju seks sa muškarcima putem društvenih medija. Front Psihijatrija, 11, 830. https://doi.org/10.3389/fpsyt.2020.00830 Low, D. M., Rumker, L., Talkar, T., Torous, J., Cecchi, G., & Ghosh, S. (2020). Prirodna obrada jezika otkriva ranjive grupe za podršku mentalnom zdravlju i povećanu zdravstvenu anksioznost na Redditu tokom COVID-19: Opservacijska studija. J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). Je li uzorak dovoljno dobar? Uspoređivanje podataka iz twitterovog streaming API-ja sa Twitterovim požarnim 7. međunarodnom AAAI konferencijom o weblogovima i društvenim medijima, ICWSM 2013, http://www.scopus.com/inward/record.url?scp=84892704954&partnerID=8YFLogxK Ng, A. (2018). Machine Learning Yearning. https://info.deeplearning.ai/machine-learningyearning-book Ng, Q. X., Lim, Y. L., Ong, C., New, S., Fam, J., & Liew, T. M. (2024). Hype ili nada? Ketamin za liječenje depresije: rezultati iz primjene dubokog učenja na Twitter postove od 2010 do 2023. Front Psihijatrija, 15, 1369727. https://doi.org/10.3389/fpsyt.2024.1369727 Obagbuwa, I. C., Danster, S., & Chibaya, O. C. (2023). Nadzirani modeli strojnog učenja za analizu depresije. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). Socijalni podaci: predrasude, metodološke propuste i etičke granice. 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). Duboke neuronske mreže otkrivaju rizik od samoubistva iz tekstualnih facebook postova. Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 Organizacija, W. H. (2020). Depresija https://www.who.int/news-room/factsheets/detail/depresija Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). Omogućavanje rane intervencije u zdravstvenoj skrbi otkrivanjem depresije kod korisnika foruma na mreži pomoću jezičnih modela: uzdužna analiza i evaluacija. 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). Omogućavanje rane intervencije zdravstvene zaštite otkrivanjem depresije kod korisnika WebBased foruma koristeći jezične modele: uzdužnu analizu i evaluaciju. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 sa podacima u realnom vremenu i strojnim učenjem. 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: dobro mjesto za otkrivanje zdravstvenih stanja. PLoS One, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). Tunability: Važnost hiperparametara algoritama strojnog učenja. Journal of Machine Learning Research, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). Pristup strojnom učenju predviđa budući rizik od samoubojstva iz podataka društvenih medija. NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). Upotreba jezika depresivnih i depresivno ranjivih studenata koledža. Poznavanje i emocije, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). Razgovori na društvenim mrežama predviđaju konzultacije o mentalnom zdravlju na fakultetima. 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). Označivači društvenih medija za identifikaciju očeva u riziku od postpartum depresije: pristup strojnom učenju. 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). Strojno učenje u mentalnom zdravlju: Opsežni pregled metoda i primjena. Psihološka medicina, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). Sinteza emocionalnih izraza i veštačke inteligencije za otkrivanje mentalnih tegoba u online zajednici. Int J Ment Zdravstvena zavisnost, 1-26. https://doi.org/10.1007/s11469-022-00966-z Sun, B., Zhang, Y., He, J., Xiao, Y., & Xiao, R. (2019). Automatska dijagnostička mreža koja koristi prilagodbu diskriminacijskog domena protivnika za procjenu ozbiljnosti depresije. 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). Optimističan pristup dubokog učenja zasnovan na algoritmu za analizu osjećaja COVID-19 tweetova. Math Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). Predviđanje buduće mentalne bolesti iz društvenih medija: pristup velikim podacima. Behav Res Metode, 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). Rudarstvo društvenih medija za prognozu postpartum depresije. Stud Zdravlje Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). Ispravak: Emocionalna tjeskoba tokom COVID-19 zbog stanja mentalnog zdravlja i ekonomske ranjivosti: Retrospektivna analiza podataka Twittera povezanih sa istraživanjem pomoću polusmernog algoritma za strojno učenje. 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., & Group, P. (2019). PROBAST: Alat za procjenu rizika od predrasuda i primjenjivosti studija predviđanja modela. Annals of internal medicine, 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., & Group, P. (2019). PROBAST: Alat za procjenu rizika od predrasuda i primjenjivosti studija predviđanja modela. Annals of internal medicine, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wongkoblap, A., Vadillo, M. A., & Curcin, V. (2021). Duboko učenje sa Anaphora rezolucijom za otkrivanje Tweetera sa depresijom: Razvoj algoritma i studija validacije. JMIR Ment Zdravlje, 8(8), e19824. https://doi.org/10.2196/19824 Yang, L., & Shami, A. (2020). Na hiperparametar optimizacije algoritama za strojno učenje: Teorija i praksa. 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). Detekcija samoubistva među korisnicima opioida na Redditu: pristup zasnovan na strojnom učenju. 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). Polu-nadzorni pristup praćenju kliničkih depresivnih simptoma na društvenim mrežama. 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). Multimodalna analiza mentalnog zdravlja u društvenim medijima. PLoS One, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). A Scalable Framework za otkrivanje ličnih zdravstvenih navoda na Twitteru. J Med Internet Res, 17(6), e138. https://doi.org/10.2196/jmir.4305 Zhou, T. H., Hu, G. L., & Wang, L. (2019). Psihološki poremećaj Identifikacija metoda na osnovu percepcije emocija preko društvenih mreža. Int J Environ Res javno zdravlje, 16(6). https://doi.org/10.3390/ijerph16060953 Zogan, H., Razzak, I., Wang, X., Jameel, S., & Xu, G. (2022). Objašnjavajuća detekcija depresije sa višestrukim karakteristikama koristeći hibridni model dubokog učenja na društvenim mrežama. World Wide Web, 25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 Autori : (1) Yuchen Cao, Khoury College of Computer Science, Northeastern University; (2) Jianglai Dai, Odjel za EECS, Kalifornijski univerzitet, Berkeley; (3) Zhongyan Wang, centar za znanost podataka, Univerzitet u New Yorku; (4) Yeyubei Zhang, School of Engineering and Applied Science, University of Pennsylvania; (5) Xiaorui Shen, Khoury College of Computer Science, Northeastern University; (6) Yunchong Liu, School of Engineering and Applied Science, University of Pennsylvania; (7) Yexin Tian, Georgia Institute of Technology, College of Computing. Authors: (1) Yuchen Cao, Khoury College of Computer Science, Northeastern University; (2) Jianglai Dai, Odjel za EECS, Kalifornijski univerzitet, Berkeley; (3) Zhongyan Wang, centar za znanost podataka, Univerzitet u New Yorku; (4) Yeyubei Zhang, School of Engineering and Applied Science, University of Pennsylvania; (5) Xiaorui Shen, Khoury College of Computer Science, Northeastern University; (6) Yunchong Liu, School of Engineering and Applied Science, University of Pennsylvania; (7) Yexin Tian, Georgia Institute of Technology, College of Computing. Ovaj dokument je dostupan na archiv pod licencom CC BY 4.0. Ovaj papir je Pod licencom CC BY 4.0. Dostupno u Arhivu

Predrasude u modelima strojnog učenja za detekciju depresije

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps