우울증 검출을위한 기계 학습 모델의 편견

테이블 왼쪽 Abstract 및 Introduction 방법론 결과 토론 및 참조 토론 정신 건강 상태, 특히 우울증의 확산은 중요한 글로벌 건강 문제를 제기합니다. 소셜 미디어 플랫폼은 개인이 정신 건강 문제를 고급 계산 방법을 통해 감지 할 수있는 독특한 기회를 제공하여 생각과 감정을 표현하는 풍부한 데이터 원천으로 나타났습니다. 기계 학습 및 깊은 학습 모델은 우울증을 나타내는 패턴을 식별하기 위해이 광범위하고 구조화되지 않은 데이터를 분석 할 것을 약속합니다.이 체계적 검토는 소셜 미디어에서 우울증을 감지하는 이러한 모델의 효과를 평가하고 ML 라이프 사이클 내내 편견을 식별하고 분석하는 데 중점을 둡니다. Key findings의 요약 우리의 검토는이 분야에서 기계 학습 및 깊은 학습 모델의 신뢰성과 일반화에 영향을 미치는 몇 가지 핵심 편견과 방법론적 도전을 발견했습니다. 샘플링 편견은 특정 소셜 미디어 플랫폼, 특히 트위터에 대한 주도적 의존 때문에 나타났습니다. 연구의 63.8%에서 사용되었습니다. 또한 대부분의 연구는 영어 언어 콘텐츠와 특정 지리적 지역, 주로 미국과 유럽의 사용자에 초점을 맞추었습니다. 이러한 편견은 결과의 대표성을 제한했기 때문에 글로벌 소셜 미디어 사용자의 다양성을 캡처하지 못했습니다. 데이터 프리프로세싱에서 많은 연구는 부정과 사르카즘과 같은 언어적 뉘앙스를 부적절하게 다루었습니다. 연구의 약 23 %만이 우울증 탐지 모델 개발 문제는 또한 눈에 띄지 않았다. 불일치한 하이퍼파라미터 조정 관행이 관찰되었으며, 모든 모델에 대한 하이퍼파라미터를 올바르게 조정하는 연구의 27.7% 만이 관찰되었습니다. 또한, 연구의 약 17%는 훈련, 검증 및 테스트 세트로 데이터를 적절하게 분할하지 않았습니다. 이러한 관행은 과도한 데이터를 유발하여 모델의 새로운 데이터로 일반화 할 수있는 능력을 감소시킬 수 있습니다. 모델 평가에 관해서는, 많은 연구는 우울증 탐지 데이터 세트에 속하는 클래스 불균형을 다루지 않고도 기본 평가 메트릭으로서 정확성에 크게 의존했습니다. 연구의 약 74.5%는 정밀도, 기억, F1 점수 및 AUROC와 같은 불균 검토의 강점과 한계 이 체계적인 검토는 ML 생애주기 전체에서 샘플링에서 보고에 이르기까지, 소셜 미디어에서 우울증 탐지에 이르기까지의 편견을 검토하는 포괄적 인 범위로 눈에 띄지 않습니다. 분석을 특정 측면으로 제한하지 않고, 검토는 편견이 모델 유효성에 영향을 미칠 수있는 방법에 대한 전체적인 견해를 제공합니다. 또 다른 강점은 잘 정의된 검색 전략과 명확한 포함 기준을 가진 확립 된 지침을 준수하는 구조화 된 방법론적 접근법입니다. 2010 이후에 발표 된 연구에 초점을 맞춘 것은 정신 건강을위한 ML 및 DL 응용 분야의 최신 진보를 반영합니다. 확립된 편견 평가 도구, 특히 PROBAST의 사용은 핵심 방법론 영역에 걸쳐 편견을 체계적으로 평가함으로써 엄격함을 추가합니다.또한, 검토의 상세한 데이터 추출 프로세스는 패턴을 식별하고 데이터 원본을 다양화하고 투명성을 향상시키는 것과 같은 실행 가능한 권장 사항을 제공하는 구조화된 분석을 촉진했습니다. 그러나 검토에는 한계가 있습니다. 제한된 데이터베이스 커버 및 영어만의 제한은 비영어 연구에서 가치있는 통찰력을 배제 할 수 있으며, 결과의 일반화 가능성에 잠재적으로 영향을 미칠 수 있습니다. 최근 연구 (2010 후)에 초점을 맞추는 것은 이전의 영향력있는 작품을 무시했을 수 있지만, 연구 디자인의 이질성은 직접 비교를 방해하고 양적 메타 분석을 배제했습니다. 또한, 출판 편견은 결과를 긍정적 인 결과로 전환시킬 수 있으며, 회색 문학을 배제하면 신흥 방법론이 완전히 포착되지 않을 수 있습니다. 마지막으로, 윤리적 고려 사항이 인정되었지만, 데이터 개인 정보 보호와 정보화 된 동의와 같은 문제에 대한 더 깊은 탐구가 보장됩니다. 이러한 제한은 데이터베이스 및 언어 커버를 확장하고 회색 문학을 포함하여 미래의 연구를 개선할 수있는 영역을 제안하고 가능한 경우 메타 분석을 수행합니다.이 영역을 해결함으로써 미래의 연구는 정신 건강 탐지에 대한 ML 모델의 강성을 향상시킬 수 있으며이 분야에 대한보다 포괄적이고 윤리적이며 세계적으로 관련된 이해를 제공 할 수 있습니다. 미래 연구에 대한 영향 소셜 미디어에서 우울증 탐지에 대한 기계 학습 및 깊은 학습 모델의 일반화 및 적용성을 높이기 위해서는 식별된 편견을 해결하는 것이 필수적입니다. 첫째, 여러 소셜 미디어 플랫폼을 통해 데이터 소스를 다양화하고 비영어 언어와 낮은 대표 영역을 통합하면 대표성과 일반화가 향상됩니다.. 키워드 기반 샘플링과 무작위 샘플링 기술을 결합하면 선택 편견을 줄이고 우울증을 명시적으로 언급하지 않고 관련 행동을 나타내지 않는 사용자를 캡처하는 것이 필수적입니다. 데이터 프리프레젠테이션 단계에서 연구자들은 언어적 뉘앙스를 명시적으로 다루기 위해 관행을 표준화해야합니다. 부정과 사르카스마 같은 언어 모든 모델을 통한 일관되고 포괄적 인 하이퍼 매개 변수 조정은 공정한 비교를 보장하고 모델 성능을 최적화하는 데 필수적입니다. 검증 및 테스트 세트의 사용을 포함한 적절한 데이터 파티션 관행은 과잉 조립을 방지하고 모델 일반화 가능성을 평가하기 위해 구현되어야합니다. 모델을 평가할 때 연구자들은 정밀도, 호출, F1 점수 및 AUROC와 같은 클래스 불균형을 계산하는 매개 변수를 우선시해야합니다.이 매개 변수는 모델 성능에 대한 더 균형 잡힌 평가를 제공하고 소수 계급이 우선적 인 우울증 탐지의 맥락에서 더 유익합니다. 마무리 코멘트 이 체계적인 검토는 기계 학습 및 깊은 학습 모델을 사용하여 소셜 미디어 분석을 통해 우울증을 탐지하는 현재 연구에서 중요한 방법론적 제한을 강조합니다.이 제한을 해결하는 것은 우울증 위험이있는 개인을 효과적으로 식별 할 수있는 더 정확하고 신뢰할 수있는 일반화 가능한 모델을 개발하는 데 중요합니다.미래 연구는 데이터 소스를 다양화하고 샘플링 방법을 개선하고 데이터 사전 처리 및 모델 개발 관행을 강화하며 균형 잡힌 의미있는 평가를 보장하기 위해 적절한 평가 메트릭을 사용해야합니다. 이러한 방법론적 접근 방식을 발전함으로써 연구자들은 다양한 인구와 플랫폼에서 윤리적으로 유효하고 효과적인 정신 건강 탐지 도구의 발전에 기여할 수 있습니다. Appendix 1.Revised Studies on Machine Learning Models for Depression Detection on Social Media에 대한 연구 참조 : Agarwal, A. K., Mittal, J., Tran, A., Merchant, R., & Guntuku, S. C. (2023). COVID19 동안 응급 의료 의사의 정서적 건강을 평가하기위한 소셜 미디어 조사. JAMA 네트워크 오픈, 6(5), e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). 실시간 우울증 탐지을위한 소셜 네트워크에 대 한 대 데이터 분석. J 대 데이터, 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). 아랍어 트윗을 통해 자살 감지에 대한 최적화 된 깊은 학습 접근법. PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). 정신 건강 또는 약물 남용을위한 텔레하겐에 대한 소비자 인식 : 트위터 기반 주제 모델링 분석. JAMIA 오픈, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). 트위터에서 정신 건강에 대한 감정COVID-19 전염병 전과 기간 동안. 건강 관리 (바젤), 11(21). https://doi.org/10.3390/healthcare11212893 스프링거, C. M. (2006). 패턴 인식 및 기계 학습. Springer. 출판사 설명 http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC 스택 : Reddit 텍스트에서 불안, 우울증 및 그들의 병을 분류하는 깊은 학습 집합. 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). 비 임상 텍스트를 사용하여 정신 건강 응용 프로그램에서 자연 언어 처리. 자연 언어 공학, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Chandler, J., & Shapiro, D. (2016). Crowdsourced 편의 샘플을 사용하여 임상 연구를 수행합니다. Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). 새로운 사례의 상승 동안 깊은 학습을 통해 COVID-19 감정 분석. PLoS 하나, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004). 편집기 : 불균형 데이터 세트에서 학습에 관한 특별한 문제. SIGKDD 탐사, 6, 1-6. https://doi.org/10.1145/1007730.1007733 Chen, L., Gong, T., Kosinski, M., Stillwell, D., & Davidson, R. L. (2017). 소셜 미디어 사용자를위한 주관적 인 복지의 프로필을 구축합니다. PLoS 하나, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). 기계 학습 분류기 및 소셜 미디어 텍스트를 사용하여 우울증 감지에 대한 텍스트 기반 접근법 Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M., & De Moor, B. (2015). 기계 학습의 하이퍼 파라미터 검색. Danet, B., & Herring, S. C. (2007) 다국어 인터넷 : 언어, 문화, 커뮤니케이션 온라인. 다스 스웨인, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). 대학 학생들 사이의 정신 건강에 COVID-19 유발 장애를 예측하기 위해 소셜 미디어를 활용 : 모델링 연구. JMIR 양식 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 전염병 동안 소셜 미디어에서 우울증과 관련된 언어를 정량화합니다. Int J Popul Data Sci, 5(4), 1716. https://doi.org/10.23889/ijpds.v5i4.1716 아나, L., 알바레스-몬, M. A., 오르테가, M. A., 살라자, C., 도나트-바르가스, C., 산토마Vilaclara, J., 마틴-마티네즈, M., 라헤라, G., 루테레즈-로자스, L., 로드리게스-지미네즈, R., 퀸테로, J., & 알바레스-몬, M. (2022). 영어 트윗에 항우울제의 관심과 사회적 고려 영역 : 자연 언어 처리 분류 연구. J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013). 사회 미디어는 인구의 우울증을 측정하는 도구입니다. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). 소셜 미디어를 통해 우울증을 예측. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT : 언어 이해를위한 깊은 양방향 변압기의 사전 훈련. 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 페르나데르데스, A., 가르시아, S., Galar, M., Prati, R., Krawczyk, B., & Herrera, F. (2018). 불균형 데이터 세트에서 학습. https://doi.org/10.1007/978-3-319-98074-4 좋은 친구, I., 기오, Y., & 코빌, A. (2016). 깊은 학습. The MIT Press. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). 트위터를 사용하여 개인의 외로움의 표현을 연구 : 관찰 연구. BMJ 오픈, 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). 소셜 미디어에서 우울증과 정신 질병 감지 : 통합 검토. 심리학의 현재 의견, 18, 43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). 더 큰 것은 항상 더 좋습니까? 소셜 네트워크 사이트에서 유래 된 빅 데이터의 잠재적 편견. 정치 및 사회 과학의 미국 아카데미의 해고, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., & Tibshirani, R. (2009) : 통계 학습의 요소 : 데이터 마이닝, 추론 및 예측. He, H., & Garcia, E. A. (2009). 불균형 데이터에서 학습. IEEE 지식 및 데이터 엔지니어링 거래, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 헬미, A., 나사르, R., & Ramdan, N. (2024). 영어 및 아랍어 트윗의 감정 분석을 사용하여 트위터 사용자를위한 우울증 감지. Artif Intell Med, 147, 102716. https://doi.org/10.1016/j.artmed.2023.102716 이슬람, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., & Ulhaq, A. (2018). 기계 학습 기술을 사용하여 소셜 네트워크 데이터에서 우울증 감지. 건강 Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). X를 사용하여 순간적인 우울한 감각 감지 (이전 트위터) 데이터: 상황 언어 접근. JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). 불균형 학습을위한 평가 측정. 전기 및 전자 엔지니어의 연구소, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., & Stephen, S. (2002). 클래스 불균형 문제 : 체계적인 연구. Intell. 데이터 분석., 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). 심리적 문제를 해결하기 위해 인터넷을 사용 : 좋은, 나쁜, 그리고 나쁜. 환경 연구 및 공중 보건의 국제 저널, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). COVID-19 트윗을 분석하기위한 제안 된 감정 분석 깊은 학습 알고리즘. 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). 온라인 자살 감시 포럼에 대한 유용한 의견의 분류. 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). 트위터에서 언어 사용에 대한 기계 학습은 약하고 비특별한 예측을 보여줍니다. 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). 국립 연관성 설문 조사 복제에서 DSM-IV 장애의 평생 유행 및 연령 분포. 일반 정신과학의 서류, 62(6), 593-602. https://doi.org/10.1001/archpsyc.62.6.593 Khandelwal, A., & Sawant, S. (2020). NegBERT : 부정 탐지 및 범위 해결을위한 전송 학습 접근법. 제12차 언어 자원 및 평가 회의 (LREC 2020), Kim, J., Lee, J., Park, E., & Han, J. (2020). 소셜 미디어에서 사용자 콘텐츠에서 정신 질환을 감지하기위한 깊은 학습 모델. 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 기간 동안 트위터의 우울증과 불안 7 주요 미국 도시에서 집에 머물. AJPM 포커스, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). 소셜 미디어를 통해 남성과 섹스를하는 남성의 우울한 감정 감지 및 행동 분석. 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). 자연 언어 처리는 COVID-19 동안 Reddit에서 취약한 정신 건강 지원 그룹과 건강 불안을 나타냅니다 : 관찰 연구. J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). 샘플이 충분히 좋습니까? 트위터의 스트리밍 API의 데이터를 트위터의 불타는 7th 국제 AAAI 웹로그 및 소셜 미디어 컨퍼런스, ICWSM 2013, http://www.scopus.com/inward/record.url?scp=84892704954&partnerID=8YFLogxK와 비교 기계 학습 년. https://info.deeplearning.ai/machine-learningyearning-book Ng, Q. X., Lim, Y. L., Ong, C., New, S., Fam, J., & Liew, T. M. (2024). 우울증 치료를위한 케타민 : 2010 년부터 2023 년까지 트위터 게시물에 깊은 학습을 적용 한 결과. 프론트 정신병, 15, 1369727. https://doi.org/10.3389/fpsyt.2024.1369727 Obagbuwa, I. C., Danster, S., & Chibaya, O. C. (2023). 우울증 감정 분석을위한 감독 기계 학습 모델. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). 사회 데이터 : 편견, 방법론적 , 윤리적 경계. 앞의 큰 데이터, 2, 13. https://doi.org/10.3389/fdata.2019.00013 Ophir, Y., Tikochinski, R., Asterhan, C. S. C., Sisso, I., & Reichart, R. (2020). 깊은 신경 네트워크는 텍스트 페이스북 게시물에서 자살 위험을 감지합니다. Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 조직, W. H. (2020). 우울증 https://www.who.int/news-room/factsheets/detail/우울증 Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). 언어 모델을 사용하여 웹 기반 포럼 사용자에서 우울증을 감지함으로써 초기 건강 관리 개입을 가능하게합니다. 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). 언어 모델을 사용하여 WebBased 포럼 사용자에서 우울증을 감지하여 초기 건강 관리 개입을 가능하게합니다. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 실시간 데이터 및 기계 학습을 사용하여. Npj Ment Health Res, 3(1), 3. https://doi.org/10.1038/s44184-023-00045-8 트위터, V. M., Matos, S., Alvarez, M., Cacheda, F., & Oliveira, J. L. (2014). 트위터: 건강 상태를 감지하는 좋은 장소. PLoS 하나, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). 조정: 기계 학습 알고리즘의 하이퍼 매개 변수의 중요성. 기계 학습 연구 저널, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). 기계 학습 접근 방식은 소셜 미디어 데이터에서 자살 아이디어에 대한 미래의 위험을 예측합니다. NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). 우울증과 우울증에 취약한 대학생들의 언어 사용. 인식 및 감정, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). 소셜 미디어 토론은 대학 캠퍼스에서 정신 건강 상담을 예측합니다. 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). 출산 후 우울증의 위험에있는 아버지를 식별하기위한 소셜 미디어 마커 : 기계 학습 접근법 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). 정신 건강에서 기계 학습 : 방법 및 응용 프로그램의 범위 검토. 심리 의학, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). 온라인 커뮤니티에서 정신적 고통을 발견하기위한 감정적 인 표현과 인공 지능의 합성. 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). 우울증의 심각성을 평가하기 위해 이 강한 상대방 차별 도메인 적응을 사용하는 자동 진단 네트워크. 컴퓨팅 방법 프로그램 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 트윗의 감정 분석을위한 낙관적 인 불꽃놀이 알고리즘 기반의 깊은 학습 접근법. Math Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). 소셜 미디어에서 미래의 정신 질병 예측 : 큰 데이터 접근 방식을. 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). 출산 후 우울증 예측을위한 소셜 미디어 마이닝. Stud Health Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). 교정 : 정신 건강 상태와 경제적 취약성에 의해 COVID-19 동안의 정서적 고통 : 반 감독 기계 학습 알고리즘을 사용하여 설문 조사를 통해 연결된 트위터 데이터의 재검토 분석. J Med Internet Res, 25, e47549. https://doi.org/10.2196/47549 K. G. M. 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 : 편견의 위험을 평가하고 예측 모델 연구의 적용을위한 도구. 내부 의학, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 K. G. M. 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 : 편견의 위험을 평가하고 예측 모델 연구의 적용을위한 도구. 내부 의학, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wongkoblap, A., Vadillo, M. A., & Curcin, V. (2021). 우울증을 가진 트위터를 탐지하기위한 Anaphora 해상도와 깊은 학습 : 알고리즘 개발 및 검증 연구. JMIR 멘트 건강, 8(8), e19824. https://doi.org/10.2196/19824 , L., & Shami, A. (2020). 기계 학습 알고리즘의 하이퍼 매개 변수 최적화 : 이론과 실습. 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). Reddit에서 오피오이드 사용자들 사이의 자살 감지 : 기계 학습 기반 접근법 J Med Internet Res, 22(11), e15293. https://doi.org/10.2196/15293 이브라히미, M., Bajaj, G., Banerjee, T., Thirunarayan, K., Pathak, J., & Sheth, A. (2017). 소셜 미디어에서 임상 우울증 증상을 모니터링하는 반 감독 접근법. Proc IEEE ACM Int Conf Adv Soc Netw Anal Min, 2017, 1191-1198. https://doi.org/10.1145/3110025.3123028 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). 소셜 미디어에서 멀티모델 정신 건강 분석 PLoS One, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). 트위터에서 개인 건강 언급을 감지하기위한 확장 가능한 프레임 워크. J Med Internet Res, 17(6), e138. https://doi.org/10.2196/jmir.4305 Zhou, T. H., Hu, G. L., & Wang, L. (2019). 사회 네트워크를 통해 감정 인식에 기초한 심리적 장애 식별 방법. 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). 소셜 미디어에서 하이브리드 깊은 학습 모델을 사용하여 여러 측면의 기능을 갖춘 설명 가능한 우울증 검출. 월드 와이드 웹, 25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 저자 : (1) Yuchen Cao, Khoury College of Computer Science, Northeastern University; (2) Jianglai Dai, EECS 부서, 캘리포니아 대학, 버클리; (3) Zhongyan Wang, 데이터 과학 센터, 뉴욕 대학; (4) Yeyubei Zhang, 공학 및 응용 과학 학교, 펜실베니아 대학교; (5) Xiaorui Shen, Khoury College of Computer Science, Northeastern University; (6) Yunchong Liu, 공학 및 응용 과학 학교, 펜실베니아 대학교; (7) Yexin Tian, Georgia Institute of Technology, College of Computing Authors: (1) Yuchen Cao, Khoury College of Computer Science, Northeastern University; (2) Jianglai Dai, EECS 부서, 캘리포니아 대학, 버클리; (3) Zhongyan Wang, 데이터 과학 센터, 뉴욕 대학; (4) Yeyubei Zhang, 공학 및 응용 과학 학교, 펜실베니아 대학교; (5) Xiaorui Shen, Khoury College of Computer Science, Northeastern University; (6) Yunchong Liu, 공학 및 응용 과학 학교, 펜실베니아 대학교; (7) Yexin Tian, Georgia Institute of Technology, College of Computing 이 문서는 CC BY 4.0 라이선스 아래서 archiv에서 사용할 수 있습니다. 이 문서는 CC BY 4.0 라이선스 아래서 archiv에서 사용할 수 있습니다.