Vorurteile in Modellen des maschinellen Lernens für Depressionenerkennung

Tisch links Abstract und Einführung Methodologie Ergebnisse Diskussion und Referenz Diskussionen Die zunehmende Prävalenz von psychischen Erkrankungen, insbesondere Depressionen, stellt eine bedeutende globale gesundheitliche Herausforderung dar. Social-Media-Plattformen haben sich als reiche Datenquellen entwickelt, in denen Einzelpersonen ihre Gedanken und Emotionen ausdrücken und eine einzigartige Gelegenheit bieten, psychische Gesundheitsprobleme durch fortschrittliche Berechnungsmethoden zu erkennen. Maschinelles Lernen und Deep Learning-Modelle versprechen, diese riesigen, unstrukturierten Daten zu analysieren, um Muster zu identifizieren, die auf Depressionen hinweisen. Zusammenfassung der wichtigsten Erkenntnisse Unsere Überprüfung entdeckte mehrere wichtige Vorurteile und methodische Herausforderungen, die die Zuverlässigkeit und Verallgemeinerbarkeit von Machine Learning- und Deep Learning-Modellen in diesem Bereich beeinflussen. Die Vorurteile bei der Stichprobe traten aufgrund einer überwiegenden Abhängigkeit von spezifischen Social-Media-Plattformen, insbesondere Twitter, auf, die in 63,8% der Studien verwendet wurde. Darüber hinaus konzentrierten sich die meisten Studien auf englischsprachige Inhalte und Nutzer aus spezifischen geografischen Regionen, hauptsächlich den Vereinigten Staaten und Europa. Diese Vorurteile beschränkten die Repräsentativität der Ergebnisse, da sie die Vielfalt der globalen Social-Media-Nutzer nicht erfassen. Bei der Datenvorverarbeitung wurden viele Studien unzureichend mit sp Modelleentwicklungsprobleme waren auch prominent. Inkonsistente Hyperparameter-Tuning-Praktiken wurden beobachtet, wobei nur 27,7% der Studien Hyperparameter für alle Modelle ordnungsgemäß tunten. Darüber hinaus haben ungefähr 17% der Studien ihre Daten nicht angemessen in Training, Validierung und Testsätze aufgeteilt. Diese Praktiken können zu Überfüllung führen, was die Fähigkeit der Modelle verringert, sich zu neuen Daten zu verallgemeinern. Was die Modellbewertung betrifft, verlassen sich viele Studien stark auf die Genauigkeit als primäre Bewertungsmethode, ohne Klassenunterschiede anzugehen, die in Depression-Erkennung-Datensätzen innewohnen. Während etwa 74.5% der Studien Metriken verwendeten, Stärken und Grenzen der Überprüfung Diese systematische Überprüfung zeichnet sich durch ihren umfassenden Umfang aus, indem sie Vorurteile über den gesamten ML-Lebenszyklus hinweg untersucht, von der Probenahme bis zur Berichterstattung, bei der Depressionenerkennung in sozialen Medien. Indem sie die Analyse nicht auf spezifische Aspekte beschränkt, bietet die Überprüfung einen ganzheitlichen Überblick darüber, wie Vorurteile die Modellvalidität beeinflussen können. Eine weitere Stärke ist der strukturierte methodische Ansatz, der sich an etablierte Richtlinien mit einer gut definierten Suchstrategie und klaren Inklusionskriterien hält. Darüber hinaus erleichterte der detaillierte Datenextraktionsprozess der Überprüfung eine strukturierte Analyse, die die Identifizierung von Mustern und die Bereitstellung von handlungsfähigen Empfehlungen, wie die Diversifizierung von Datenquellen und die Verbesserung der Transparenz, ermöglichte. Allerdings hat die Überprüfung auch Einschränkungen. Die begrenzte Datenbankabdeckung und die englischsprachige Einschränkung können wertvolle Einblicke aus nicht-englischer Forschung ausschließen, was die Verallgemeinerbarkeit der Ergebnisse beeinflussen könnte. Der Fokus auf jüngste Studien (nach 2010) könnte frühere einflussreiche Werke übersehen haben, während Heterogenität in Studiendesigns direkte Vergleiche behindert und eine quantitative Meta-Analyse ausschließt. Darüber hinaus könnte die Veröffentlichungsbias die Ergebnisse zu positiven Ergebnissen verzerren, und das Ausschließen der grauen Literatur bedeutet, dass aufstrebende Methoden nicht vollständig erfasst werden. Schließlich, während ethische Erwägungen anerkannt wurden, ist eine tiefe Erforschung Diese Einschränkungen schlagen Bereiche für Verbesserungen in der zukünftigen Forschung vor, wie die Erweiterung der Datenbank und der Sprachabdeckung, einschließlich grauer Literatur, und die Durchführung einer Meta-Analyse, wo möglich. Auswirkungen auf zukünftige Forschung Um die Verallgemeinerbarkeit und Anwendbarkeit von maschinellem Lernen und Deep Learning-Modellen bei der Depressionserkennung in sozialen Medien zu verbessern, ist die Bewältigung identifizierter Vorurteile unerlässlich. Erstens kann die Diversifizierung von Datenquellen auf mehreren Social-Media-Plattformen und die Einbeziehung nicht-englischer Sprachen und unterrepräsentierter Regionen die Repräsentativität und Verallgemeinerbarkeit verbessern.. Die Verbesserung von Stichprobenverfahren ist entscheidend. Die Kombination von Keyword-basierten Stichproben mit zufälligen Stichprobenverfahren kann dazu beitragen, Auswahlvorurteile zu reduzieren und Benutzer zu erfassen, die Depressionen möglicherweise nicht ausdrücklich erwähnen, sondern relevante Verhaltens Konsistente und umfassende Hyperparameter-Tuning über alle Modelle ist unerlässlich, um faire Vergleiche zu gewährleisten und die Modellleistung zu optimieren. Richtige Datenpartitionierungspraktiken, einschließlich der Verwendung von Validierungs- und Testsätzen, sollten implementiert werden, um Überschneidungen zu verhindern und die Modellverallgemeinbarkeit zu bewerten. Bei der Bewertung von Modellen sollten Forscher Metriken priorisieren, die Klassenunverhältnisse berücksichtigen, wie Präzision, Rückruf, F1-Score und AUROC. Diese Metriken bieten eine ausgewogene Bewertung der Modellleistung und sind informativer im Kontext der Erkennung von Depressionen, wo die Minderheitsklasse von primärem Interesse ist. Abschließende Bemerkungen Diese systematische Überprüfung hebt signifikante methodische Einschränkungen in der aktuellen Forschung zur Erkennung von Depressionen durch Social Media-Analyse mithilfe von Maschinelles Lernen und Deep Learning-Modellen hervor.Die Bewältigung dieser Einschränkungen ist entscheidend für die Entwicklung genauerer, zuverlässiger und verallgemeinerbarer Modelle, die Einzelpersonen mit Depressionrisiko effektiv identifizieren können. Durch die Weiterentwicklung dieser methodischen Ansätze können Forscher zum Fortschritt von Tools zur Erkennung der psychischen Gesundheit beitragen, die ethisch vernünftig und wirksam sind, und diese Fortschritte haben das Potenzial, frühzeitige Interventionsstrategien zu erleichtern und letztendlich die Ergebnisse der psychischen Gesundheit auf globaler Ebene zu verbessern. Anhang 1. Bewertete Studien zu Modellen des maschinellen Lernens zur Erkennung von Depressionen in sozialen Medien Die Referenz: Agarwal, A. K., Mittal, J., Tran, A., Händler, R., & Guntuku, S. C. (2023). Untersuchung sozialer Medien zur Beurteilung des emotionalen Wohlbefindens von Notfallmedizinärzten während COVID19. JAMA Netw Open, 6(5), e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). Big-Data-Analyse in sozialen Netzwerken zur Erkennung von Depressionen in Echtzeit. 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). Ein optimierter tiefer Lernansatz zur Suiziddetektion durch arabische Tweets. PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). Verbraucherwahrnehmung von Ferngesundheit für psychische Gesundheit oder Drogenmissbrauch: eine Twitter-basierte Themenmodellierungsanalyse. JAMIA Open, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). Gefühle über psychische Gesundheit auf TwitterVor und während der COVID-19-Pandemie. Gesundheitswesen (Basel), 11(21). https://doi.org/10.3390/healthcare11212893 Bishop, C. M. (2006). Mustererkennung und maschinelles Lernen. Springer. Verlag Beschreibung http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC Stacking: Ein tiefes Lernen Ensemble, um Angstzustände, Depressionen und ihre Komorbidität aus Reddit Texten zu klassifizieren. 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). Natürliche Sprachverarbeitung in psychischen Gesundheitsanwendungen mit nichtklinischen Texten. Natürliche Sprachtechnik, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Chandler, J., & Shapiro, D. (2016). Durchführung der klinischen Forschung mithilfe von Crowdsourced Convenience Proben. Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). COVID-19 Stimmungsanalyse über tiefes Lernen während des Aufstiegs neuer Fälle. PLoS One, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004). Editorial: Sonderausgabe über das Lernen aus ungleichmäßigen Datensätzen. SIGKDD Explorations, 6, 1-6. https://doi.org/10.1145/1007730.1007733 Chen, L., Gong, T., Kosinski, M., Stillwell, D., & Davidson, R. L. (2017). Aufbau eines Profils des subjektiven Wohlbefindens für Social-Media-Nutzer. PLoS One, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). Ein textbasierter Ansatz zur Depressionserkennung mit maschinellem Lernen und sozialen Medientexten. Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M., & De Moor, B. (2015). Hyperparameter Suche im maschinellen Lernen. Danet, B., & Herring, S. C. (2007). Das mehrsprachige Internet: Sprache, Kultur und Kommunikation online. Das Swain, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). Soziale Medien nutzen, um COVID-19-induzierte Störungen des psychischen Wohlbefindens unter Universitätsstudenten vorherzusagen: Modellierungsstudie. 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). Quantifizierung von depressionsbedingter Sprache in sozialen Medien während der 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). Interessengebiete und soziale Betrachtung von Antidepressiva auf englischen Tweets: Eine natürliche Sprachverarbeitung Klassifizierungsstudie. J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013). Soziale Medien als Werkzeug zur Messung von Depressionen in Bevölkerungen. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). Vorhersagen von Depressionen über soziale Medien. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Vorbereitung von tiefen bidirektionalen Transformatoren für das Sprachverständnis. https://arxiv.org/abs/1810.04805 Doan, S., Ritchart, A., Perry, N., Chaparro, J. D., & Conway, M. (2017). Wie entspannen Sie sich, wenn Sie #stressed sind? Eine Inhaltsanalyse und Infodemiologie Studie von Stress-bezogenen Tweets. JMIR Public Health Surveill, 3(2), e35. https://doi.org/10.2196/publichealth.5939 Fernández, A., García, S., Galar, M., Prati, R., Krawczyk, B., & Herrera, F. (2018). Lernen aus ungleichgewichtigen Datensätzen. https://doi.org/10.1007/978-3-319-98074-4 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Die MIT Press. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). Untersuchung der Ausdrucksformen der Einsamkeit bei Individuen mit Twitter: eine Beobachtungsstudie. 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). Erkennung von Depressionen und psychischen Erkrankungen in den sozialen Medien: Eine integrierte Überprüfung. Aktuelle Meinung in der Psychologie, 18, 43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). Ist größer immer besser? Potenzielle Vorurteile von Big Data, die aus sozialen Netzwerken stammen. Die Annalen der American Academy of Political and Social Science, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., & Tibshirani, R. (2009). Die Elemente des statistischen Lernens: Datenmining, Schlussfolgerung und Vorhersage. He, H., & Garcia, E. A. (2009). Lernen aus ungleichgewichtigen Daten. IEEE Transaktionen über Wissen und Datentechnik, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 Helmy, A., Nassar, R., & Ramdan, N. (2024). Depressionenerkennung für twitter-Nutzer mit sentimentaler Analyse in englischen und arabischen 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). Erkennung von Depressionen aus sozialen Netzwerkdaten mit maschinellem Lernen. Gesundheit Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). Momentare Depressive Gefühlserkennung mithilfe von X (früher Twitter) Daten: Kontextuelle Sprachansatz. JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). Bewertungsmetriken für ungleichmäßiges Lernen. Das Institut für Elektro- und Elektronikingenieure, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., & Stephen, S. (2002). Das Klasse Ungleichgewicht Problem: Eine systematische Studie. Intell. Daten Anal., 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). Mit dem Internet um psychologische Probleme anzugehen: Das Gute, das Schlechte und das Hässliche. International Journal of Environmental Research and Public Health, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). Eine vorgeschlagene Sentiment Analyse Deep Learning Algorithmus für die Analyse von 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). Klassifizierung hilfreicher Kommentare auf 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). Maschinelles Lernen der Sprachnutzung auf Twitter zeigt schwache und nicht spezifische Vorhersagen. 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). Lebenszeitprävalenz und Alter-of-beginn Verteilung von DSM-IV-Störungen in der National Comorbidity Survey Replication. Archive of General Psychiatry, 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). Ein tiefes Lernmodell zur Erkennung von psychischen Erkrankungen aus Benutzerinhalten in sozialen Medien. 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). Depression und Angst auf Twitter während der COVID-19 Aufenthaltszeit in 7 großen US-Städten. AJPM Fokus, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). Depressive Emotion Detektion und Verhaltensanalyse von Männern, die über soziale Medien Sex mit Männern haben. Front Psychiatry, 11, 830. https://doi.org/10.3389/fpsyt.2020.00830 Low, D. M., Rumker, L., Talkar, T., Torous, J., Cecchi, G., & Ghosh, S. S. (2020). Natürliche Sprachverarbeitung enthüllt gefährdete mentale Gesundheitsunterstützungsgruppen und erhöhte Gesundheitsangst auf Reddit während COVID-19: Beobachtungsstudie. J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). Ist die Stichprobe gut genug? Vergleich von Daten aus der Twitter-Streaming-API mit der feurigen 7. Internationalen AAAI-Konferenz über Weblogs und soziale Medien, 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 oder Hoffnung? Ketamin zur Behandlung von Depressionen: Ergebnisse aus der Anwendung von Deep Learning auf Twitter-Posts von 2010 bis 2023. Front Psychiatry, 15, 1369727. https://doi.org/10.3389/fpsyt.2024.1369727 Obagbuwa, I. C., Danster, S., & Chibaya, O. C. (2023). Supervised Machine Learning Modelle für Depression Sentiment Analyse. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). Soziale Daten: Vorurteile, methodische Fallstricke und ethische Grenzen. 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). Tiefe neuronale Netzwerke erkennen das Suizidrisiko aus textuellen Facebook-Posts. Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 Organisation, W. H. (2020). Depression https://www.who.int/news-room/factsheets/detail/depression Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). Ermöglichung der frühen Intervention in der Gesundheitsversorgung durch Erkennung von Depressionen bei Benutzern von Webbasierten Foren mithilfe von Sprachmodellen: Längsanalyse und Bewertung. 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). Ermöglichung der frühen Gesundheitsintervention durch Erkennung von Depressionen bei Benutzern von Webbasierten Foren mithilfe von Sprachmodellen: Längsanalyse und Bewertung. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 mit Echtzeitdaten und maschinellem Lernen. 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: ein guter Ort zur Erkennung von Gesundheitszuständen. PLoS One, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). Tunability: Bedeutung von Hyperparametern von maschinellen Lernalgorithmen. Journal of Machine Learning Research, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). Ein maschinelles Lernen-Ansatz prognostiziert das zukünftige Risiko von Selbstmordgedanken aus Social-Media-Daten. NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). Sprachgebrauch von depressiven und depressionsgefährdeten Studenten. Kognition & Emotion, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). Social Media Discussions Predict Mental Health Consultations on College Campuses. 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). Social Media Marker zur Identifizierung von Vätern mit Risiko für postpartale Depressionen: Ein maschineller Lernansatz. 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). Maschinelles Lernen in der psychischen Gesundheit: Eine umfassende Überprüfung von Methoden und Anwendungen. Psychologische Medizin, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). Synthese von emotionalen Ausdrücken und künstlicher Intelligenz zur Entdeckung von psychischer Belastung in der Online-Community. Int J Ment Health Addict, 1-26. https://doi.org/10.1007/s11469-022-00966-z Sun, B., Zhang, Y., He, J., Xiao, Y., & Xiao, R. (2019). Ein automatisches Diagnosen-Netzwerk, das schräge, robuste Adversarial-Diskriminierungsdomäneanpassungen verwendet, um die Schwere der Depression zu beurteilen. 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). Ein optimistischer Deep Learning-Ansatz auf Basis von Firefly-Algorithmen für die Sentimentanalyse von COVID-19-Tweets. Math Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). Vorhersagen zukünftiger psychischer Erkrankungen aus sozialen Medien: Ein Ansatz für große Daten. 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). Social Media Mining für postpartale Depression Vorhersage. Stud Health Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). Korrektur: emotionales Leiden während COVID-19 durch psychische Gesundheitszustände und wirtschaftliche Verletzlichkeit: Retrospektive Analyse von Umfrage-verknüpften Twitter-Daten mit einem halbüberwachten maschinellen Lernalgorithmus. 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: Ein Werkzeug zur Beurteilung des Risikos von Bias und Anwendbarkeit von Vorhersage-Modellstudien. 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: Ein Werkzeug zur Beurteilung des Risikos von Bias und Anwendbarkeit von Vorhersage-Modellstudien. 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). Tiefes Lernen mit Anaphora Resolution zur Erkennung von Tweetern mit Depression: Algorithmusentwicklung und Validierungsstudie. JMIR Ment Health, 8(8), e19824. https://doi.org/10.2196/19824 Yang, L., & Shami, A. (2020). Über Hyperparameteroptimierung von maschinellen Lernalgorithmen: Theorie und Praxis. 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). Erkennung von Selbstmord unter Opioid-Nutzern auf Reddit: Machine Learning-Based Approach. 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-Überwachungsansatz zur Überwachung klinischer depressiver Symptome in den sozialen Medien. 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 psychische Gesundheitsanalyse in sozialen Medien. PLoS One, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). Ein skalierbarer Rahmen zur Erkennung persönlicher Gesundheitsanzeigen auf Twitter. J Med Internet Res, 17(6), e138. https://doi.org/10.2196/jmir.4305 Zhou, T. H., Hu, G. L., & Wang, L. (2019). Psychologische Störung Identifizierungsmethode basierend auf Emotion Perception über soziale Netzwerke. Int J Environ Res Public Health, 16(6). https://doi.org/10.3390/ijerph16060953 Zogan, H., Razzak, I., Wang, X., Jameel, S., & Xu, G. (2022). Erklärbare Depressionenerkennung mit vielseitigen Funktionen mithilfe eines hybriden Deep Learning-Modells in sozialen Medien. World Wide Web, 25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 Die Autoren: Yuchen Cao, Khoury College of Computer Science, Northeastern University (2) Jianglai Dai, Abteilung für EECS, University of California, Berkeley; (3) Zhongyan Wang, Center for Data Science, New York University; (4) Yeyubei Zhang, Fakultät für Ingenieurwissenschaften und Angewandte Wissenschaften, Universität von Pennsylvania; (5) Xiaorui Shen, Khoury College of Computer Science, Northeastern University; (6) Yunchong Liu, Fakultät für Ingenieurwissenschaften und Angewandte Wissenschaften, Universität von Pennsylvania; (7) Yexin Tian, Georgia Institute of Technology, College of Computing. Authors: Yuchen Cao, Khoury College of Computer Science, Northeastern University (2) Jianglai Dai, Abteilung für EECS, University of California, Berkeley; (3) Zhongyan Wang, Center for Data Science, New York University; (4) Yeyubei Zhang, Fakultät für Ingenieurwissenschaften und Angewandte Wissenschaften, Universität von Pennsylvania; (5) Xiaorui Shen, Khoury College of Computer Science, Northeastern University; (6) Yunchong Liu, Fakultät für Ingenieurwissenschaften und Angewandte Wissenschaften, Universität von Pennsylvania; (7) Yexin Tian, Georgia Institute of Technology, College of Computing. Dieses Dokument ist unter der Lizenz CC BY 4.0 verfügbar. Dieses Papier ist unter der CC BY 4.0 Lizenz. Verfügbar im Archiv