鬱病検出のための機械学習モデルにおける偏見

左のテーブル 抽象と導入 方法論 結果 議論と参照 議論 精神保健疾患、特にうつ病の増加は、重大なグローバルな健康課題を引き起こしています。ソーシャルメディアプラットフォームは、個人が思考や感情を表現する豊富なデータ源として現れ、高度な計算方法を通じて精神保健問題を検出するユニークな機会を提供しています。機械学習と深い学習モデルは、この膨大な非構造化データを分析し、うつ病を示すパターンを特定することを約束しています。 主要な発見の概要 私たちのレビューは、この分野における機械学習と深層学習モデルの信頼性と一般化に影響を与えるいくつかの主要な偏見と方法論的課題を明らかにしました。サンプル化の偏見は、特定のソーシャルメディアプラットフォーム、特にツイッターに圧倒的に依存しているため、63.8%の研究で使用されました。さらに、ほとんどの研究は、特定の地理地域、主に米国とヨーロッパの英語言語のコンテンツとユーザーに焦点を当てました。これらの偏見は、グローバルソーシャルメディアユーザーの多様性を捉えていないため、結果の代表性を制限しました。データの前処理では、多くの研究は否定やサルカズムなどの言語的ニュアンスを モデル開発の問題も顕著であった。不一致なハイパーパラメータ調節の実践が観察され、すべてのモデルのためのハイパーパラメータを適切に調節する研究のうち、わずか27%が観察された。さらに、約17%の研究は、トレーニング、検証、およびテストセットにデータを適切に分割しなかった。これらの実践は、新データに一般化するモデルの能力を減らすことによって過剰化を引き起こす可能性があります。モデル評価に関しては、多くの研究は、抑鬱検出データセットに固有のクラス不均衡を解決することなく、主な評価メトリックとして正確性に大きく依存しました。研究の約74.5%は、正確性、回復、F1スコア、およびAUR レビューの強みと限界 この体系的なレビューは、MLのライフサイクル全体を通じて、サンプリングからレポートまで、社会メディアでのうつ病の検出に至るまで、偏見を検討するという包括的な範囲で、分析を特定の側面に限定することなく、このレビューは、偏見がモデルの有効性にどのように影響を与えるかについての包括的な見解を提供します。もう一つの強みは、確立されたガイドラインと明確な検索戦略と明確な包括基準に従う構造化された方法論的アプローチです。2010年以降に発表された研究に焦点を当て、精神保健のためのMLおよびDLアプリケーションにおける最新の進歩を反映しています。 既存の偏見評価ツール、特にPROBASTの使用は、主要な方法論分野における偏見を体系的に評価することによって厳格性を向上させます。 ただし、このレビューには限界があります。 限定されたデータベースのカバーと英語のみの制限は、非英語の研究から貴重な洞察を除外し、結果の一般化に影響を与える可能性があります。 最近の研究(2010年後)への焦点は、以前の影響力のある作品を無視した可能性がありますが、研究デザインの異質性は直接の比較を妨げ、定量的なメタ分析を排除しました。 さらに、出版の偏見は、結果をポジティブな結果へと曲げることができ、グレー文献を除外することは、新興の方法論を完全に捉えていない可能性があります。 最後に、倫理的考慮が認められていたにもかかわらず、データプライバシーや知的同意などの問題のより深い探求は保証されています。 これらの制限は、グレー文学を含むデータベースと言語のカバーを拡大し、可能な限りメタ分析を実施するなど、将来の研究における改善のための領域を示唆しています。 将来の研究への影響 最初に、複数のソーシャルメディアプラットフォームを介してデータソースを多様化し、非英語言語および不足している地域を組み込むことは、代表性と一般化を向上させます。社会メディアにおける抑鬱症検出における深い学習モデルを改善するには、特定された偏見を解決することが不可欠です。キーワードベースのサンプル化とランダムサンプル化技術を組み合わせることは、選択偏見を減らし、抑鬱症を明示的に言及しないが関連する行動を示す可能性のあるユーザーをキャプチャするのに役立ちます。データの前処理段階では、研究者は、否定やサルカズムなどの言語的ニュアンスを明示的に扱うための慣行を標準化すべきです。正確な感情分析 すべてのモデルにおける一貫性と包括的なハイパーパラメータ調節は、公平な比較を確保し、モデルのパフォーマンスを最適化するために不可欠です。検証およびテストセットの使用を含む適切なデータ分割慣行は、過剰装備を防止し、モデルの一般化可能性を評価するために実施されるべきです。モデルを評価する際に、研究者は、正確性、リコール、F1スコア、およびAUROCなどのクラス不均衡を考慮するメトリックを優先するべきです。 結論 コメント この体系的なレビューは、機械学習と深層学習モデルを使用してソーシャルメディア分析を通じてうつ病を検出する現行の研究における重要な方法論的限界を強調しています。これらの限界に対処することは、うつ病のリスクを有する個人を効果的に識別できるより正確で信頼性の高い、一般化可能なモデルを開発するために不可欠です。将来の研究は、データソースの多様化、サンプル採取方法の改善、データの前処理とモデル開発の実践の強化、および適切な評価メトリックを使用してバランスの取れた意味のある評価を確保することに焦点を当てなければなりません。 これらの方法論的なアプローチを推進することで、研究者は、さまざまな人口やプラットフォームで倫理的に健全で効果的な精神衛生検出ツールの発展に貢献することができます。 Appendix 1. Revised Studies on Machine Learning Models for Depression Detection on Social Media(ソーシャルメディアでのうつ病検出のための機械学習モデルに関する研究) 参考: アガルワール、A.K.ミッタル、J、トラン、A、商人、R、およびGuntuku、S.C. (2023)。緊急医療医師のCOVID19の間の感情的福祉を評価するためのソーシャルメディアの調査。 JAMAネットオープン、6(5),e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). リアルタイムでうつ病を検出するためのソーシャルネットワーク上のビッグデータ分析. J ビッグデータ, 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). アラビア語のツイートを通じて自殺検出のための最適化された深い学習アプローチ。 PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). 心理的健康や薬物乱用のためのテレヘルスに対する消費者の認識:ツイッターベースのテーマモデリング分析. JAMIA Open, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). COVID-19 パンデミックの前におよび中に Twitter で精神健康についての感情. ヘルスケア (バゼル), 11(21). https://doi.org/10.3390/healthcare11212893 スプリンガー パターン認識と機械学習 出版社説明 http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC Stacking: Reddit テキストから不安、うつ病、およびそれらの共病を分類するための深い学習集団。 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). 非臨床テキストを使用して精神衛生アプリケーションで自然言語処理。 自然言語エンジニアリング, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Chandler, J., & Shapiro, D. (2016). Crowdsourced Convenience サンプルを使用して臨床研究を実施。 Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). COVID-19の感情分析は、新しいケースの出現中に深い学習を通じて行われました。 PLoS One, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004) 編集: 不均衡データセットからの学習に関する特別な問題 SIGKDD Explorations, 6, 1-6. https://doi.org/10.1145/1007730.1007733 Chen, L., Gong, T., Kosinski, M., Stillwell, D., & Davidson, R. L. (2017). ソーシャルメディアユーザーの主観的な福祉のプロフィールを構築する PLoS One, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). 機械学習分類とソーシャルメディアのテキストを使用してうつ病検出のテキストベースのアプローチ。 Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M. & De Moor, B. (2015年) 機械学習におけるハイパーパラメータ検索 Danet, B., & Herring, S. C. (2007) 多言語インターネット:言語、文化、コミュニケーションオンライン。 Das Swain, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). 大学生の間のCOVID-19誘発障害を予測するためにソーシャルメディアを活用する:モデリング研究。 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). COVID-19大流行時のソーシャルメディアでのうつ病関連言語の定量化 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). 英語のツイート上の抗うつ薬の関心と社会的考慮の分野:自然言語処理分類研究。 J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013) 社会メディアは、人口における鬱の測定ツールです。 De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013) ソーシャルメディアを通じてうつ病を予測する。 Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT:言語理解のための深い双方向変換器の事前トレーニング. https://arxiv.org/abs/1810.04805 Doan, S., Ritchart, A., Perry, N., Chaparro, J. D., & Conway, M. (2017). How Do You #relax When You're #stressed? A Content Analysis and Infodemiology Study of Stress-Related Tweets. JMIR Public Health Surveill, 3(2), e35. https://doi.org/10.2196/publichealth.5939 フェルナデス、A、ガルシア、S、ガラール、M、プラティ、R、Krawczyk、B、およびヘレラーラ、F(2018)。不均衡なデータセットから学ぶ. https://doi.org/10.1007/978-3-319-98074-4 Goodfellow, I., Bengio, Y., & Courville, A. (2016). 深い学習. The MIT Press. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019) ツイッターを使用する個人の孤独の表現を研究:観察研究 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). ソーシャルメディアでのうつ病と精神疾患の検出:統合的なレビュー。 心理学における現在の意見、18、43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). Is Bigger Always Better? ソーシャルネットワークサイトから生じるビッグデータの潜在的な偏見. アメリカ政治社会科学アカデミーの年賀状, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., & Tibshirani, R. (2009) 統計学習の要素:データ採掘、推測、予測。 He, H., & Garcia, E. A. (2009). 不均衡データからの学習. IEEE知識とデータエンジニアリングに関する取引, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 Helmy, A., Nassar, R., & Ramdan, N. (2024) 英語とアラビア語のツイートで感情分析を使用してツイッターユーザーのうつ病検出 Artif Intell Med, 147, 102716. https://doi.org/10.1016/j.artmed.2023.102716 イスラーム, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., & Ulhaq, A. (2018). 機械学習技術を使用してソーシャルネットワークのデータからうつ病の検出. Health Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). X (以前のTwitter) データを使用して瞬時的な抑うつ感覚検出:文脈言語アプローチ。 JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). 不均衡な学習のための評価メトリクス. 電気および電子エンジニアの研究所, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., & Stephen, S. (2002). クラス不均衡問題: 体系的な研究. インテル. データ分析., 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). 心理学的問題に対処するためにインターネットを使用する: 良い、悪い、そして醜い。 環境研究と公衆衛生の国際ジャーナル, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). COVID-19 ツイートを分析するための深い学習アルゴリズムを提案しました。 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). オンライン自殺のフォーラム上の有用なコメントの分類. 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). ツイッターでの言語使用の機械学習は、弱く、非特定の予測を明らかにします。 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). 生涯の普及およびDSM-IV疾患の年齢発生分布 国立共通疾患調査複製. 一般精神医学のアーカイブ, 62(6), 593-602. https://doi.org/10.1001/archpsyc.62.6.593 Khandelwal, A. & Sawant, S. (2020). NegBERT: Negation Detection and Scope Resolution: A Transfer Learning Approach. 12th Language Resources and Evaluation Conference (LREC 2020) のプロセス Kim, J., Lee, J., Park, E., & Han, J. (2020) ソーシャルメディア上のユーザーコンテンツから精神疾患を検出するための深い学習モデル。 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). COVID-19期間中のツイッターでのうつ病と不安 7主要な米国都市で滞在。 AJPMフォーカス, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). ソーシャルメディアを通じて男性とセックスしている男性の抑うつ感情の検出と行動分析 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. (2020). 自然言語処理は、COVID-19の間にRedditで脆弱な精神保健支援グループと健康不安の増加を明らかにします:観察研究。 J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). サンプルは十分に良いですか? ツイッターのストリーミングAPIからのデータをツイッターの火災 7th International AAAI Conference on Weblogs and Social Media, ICWSM 2013, http://www.scopus.com/inward/record.url?scp=84892704954&partnerID=8YFLogxK マシン学習の年。 https://info.deeplearning.ai/machine-learningyearning-book Ng, Q. X., Lim, Y. L., Ong, C., New, S., Fam, J., & Liew, T. M. (2024). Hype or hope? Ketamine for the treatment of depression: results from application of deep learning to Twitter posts from 2010 to 2023. Front Psychiatry, 15, 1369727. https://doi.org/10.3389/fpsyt.2024.1369727 Obagbuwa, I. C., Danster, S., & Chibaya, O. C. (2023). 抑うつ感情分析のための監督された機械学習モデル. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). ソーシャルデータ:偏見, 方法論的落とし穴, 倫理的境界線. 前面のビッグデータ, 2, 13. https://doi.org/10.3389/fdata.2019.00013 Ophir, Y., Tikochinski, R., Asterhan, C. S. C., Sisso, I., & Reichart, R. (2020). 深い神経ネットワークはテキストのフェイスブック投稿から自殺のリスクを検出します。 Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > トップ > Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). 言語モデルを使用してWebベースのフォーラムのユーザーでうつ病を検出することによって早期医療介入を可能にする:長距離分析と評価。 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). 言語モデルを使用してWebベースのフォーラムのユーザーでうつ病を検出することによって早期医療介入を可能にする:長距離分析と評価。 JMIR AI, 2, e41205. https://doi.org/10.2196/41205 リアルタイムのデータと機械学習で。 Npj Ment Health Res, 3(1), 3. https://doi.org/10.1038/s44184-023-00045-8 ツイッター:健康状態を検出するための良い場所 PLoS One, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). 調節性:機械学習アルゴリズムのハイパーパラメータの重要性. Journal of Machine Learning Research, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). 機械学習アプローチは、ソーシャルメディアデータから自殺思想の将来のリスクを予測します。 NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). うつ病とうつ病の弱い大学生の言語使用. 認識と感情, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). ソーシャルメディアの議論は大学のキャンパスでの精神保健相談を予測します。 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). 産後うつ病のリスクにある父親を識別するソーシャルメディアマーカー:機械学習アプローチ 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). 精神保健における機械学習: 方法とアプリケーションのスケーリングレビュー 心理医学, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). 感情的表現と人工知能の合成をオンラインコミュニティで精神的苦痛を発見する。 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) 鬱病の重症度を評価するために、強力な対立差別ドメイン適応を使用する自動診断ネットワーク コンピュータメソッドプログラム 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). COVID-19 ツイートの感情分析のための楽観的なファイアフライアルゴリズムベースの深い学習アプローチ. Math Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). ソーシャルメディアからの将来の精神疾患の予測:ビッグデータアプローチ. 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). 産後うつ病予測のためのソーシャルメディアマイニング. Stud Health Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). 修正: COVID-19の間に心理的健康状態と経済的脆弱性による感情的苦痛:半監視された機械学習アルゴリズムを使用して調査リンクされたTwitterデータの再分析 J Med Internet Res, 25, e47549. https://doi.org/10.2196/47549 ウォルフ, 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:予測モデル研究の偏見のリスクと適用性を評価するためのツール。内部医学のアナルズ, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 ウォルフ, 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:予測モデル研究の偏見のリスクと適用性を評価するためのツール。内部医学のアナルズ, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wongkoblap, A., Vadillo, M. A., & Curcin, V. (2021). 鬱病を持つツイッターの検出のためのアナフォラ解析と深い学習:アルゴリズム開発と検証研究。 JMIR メンタルヘルス, 8(8), e19824. https://doi.org/10.2196/19824 マシン学習アルゴリズムのハイパーパラメーター最適化について:理論と実践. 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). Redditのオピオイドユーザーの間の自殺の検出:機械学習に基づくアプローチ. J Med Internet Res, 22(11), e15293. https://doi.org/10.2196/15293 エイブラーヒミ、M、バジャージー、G、Banerjee、T、Thirunarayan、K、Pathak、J、およびSheth、A. (2017). ソーシャルメディアにおける臨床抑うつ症状を監視する半監視されたアプローチ Proc IEEE ACM Int Conf Adv Soc Netw Anal Min, 2017, 1191-1198. https://doi.org/10.1145/3110025.3123028 ヤズダヴァル, 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). ソーシャルメディアにおけるマルチモダル精神健康分析. PLoS One, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). ツイッター上の個人的な健康に関するメッセージを検出するためのスケーラブルなフレームワーク. J Med Internet Res, 17(6), e138. https://doi.org/10.2196/jmir.4305 Zhou, T. H., Hu, G. L., & Wang, L. (2019). 社会ネットワーク上の感情の認識に基づく心理的障害の識別方法. 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). ソーシャルメディア上のハイブリッド深層学習モデルを使用して複数の側面を持つ説明可能なうつ病検出。 ワールドワイドウェブ、25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 著者: (1)Yuchen Cao, Khoury College of Computer Science, Northeastern University (2) Jianglai Dai, Department of EECS, University of California, Berkeley; (3)Zhongyan Wang、ニューヨーク大学データサイエンスセンター (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、エンジニアリングと応用科学の学校、ペンシルベニア大学 (7) Yexin Tian, Georgia Institute of Technology, College of Computing。 Authors: (1)Yuchen Cao, Khoury College of Computer Science, Northeastern University (2) Jianglai Dai, Department of EECS, University of California, Berkeley; (3)Zhongyan Wang、ニューヨーク大学データサイエンスセンター (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、エンジニアリングと応用科学の学校、ペンシルベニア大学 (7) Yexin Tian, Georgia Institute of Technology, College of Computing。 この論文は、CC BY 4.0 ライセンスの下で archiv で提供されています。 この紙は CC BY 4.0 ライセンス ARCHIV で利用可能