Systematic Review: Text Processing Algorithms in Machine Learning and Deep Learning for Mental Health Detection on Social Media

要約

うつ病が世界的に増加しているため、早期介入のための革新的な検出方法が必要です。
ソーシャル メディアは、ユーザーの投稿を通じてうつ病を特定するユニークな機会を提供します。
この系統的レビューでは、ソーシャル メディアでのうつ病検出のための機械学習 (ML) モデルを評価し、ML ライフサイクル全体にわたるバイアスと方法論上の課題に焦点を当てています。
PubMed、IEEE Xplore、Google Scholar の検索により、2010 年以降に発表された 47 件の関連研究が特定されました。方法論の品質とバイアスのリスクを評価するために、予測モデル リスク オブ バイアス評価ツール (PROBAST) が利用されました。
モデルの信頼性と一般化可能性に影響を与える重大なバイアスが見つかりました。
Twitter (63.8%) と英語コンテンツ (90% 以上) への依存度が圧倒的に高く、ほとんどの調査は米国とヨーロッパのユーザーに焦点を当てています。
非確率サンプリング法 (約 80%) では、代表性が制限されます。
正確な感情分析に重要な、否定などの言語的ニュアンスを明確に扱った研究はわずか 23% でした。
一貫性のないハイパーパラメータ調整が観察され、モデルを適切に調整したのは 27.7% のみでした。
約 17% はデータをトレーニング、検証、テスト セットに適切に分割しておらず、過剰適合の危険がありました。
74.5% が不均衡なデータに対して適切な評価指標を使用しましたが、その他の企業はクラスの不均衡に対処せずに精度に依存しており、結果が歪む可能性がありました。
報告の透明性にはばらつきがあり、重要な方法論の詳細が欠けていることがよくありました。
これらの調査結果は、データ ソースの多様化、前処理プロトコルの標準化、一貫したモデル開発実践の確保、クラスの不均衡への対処、レポートの透明性の強化の必要性を浮き彫りにしています。
これらの課題を克服することで、今後の研究では、ソーシャル メディアでうつ病を検出するためのより堅牢で一般化可能な ML モデルを開発し、世界的にメンタルヘルスの成果の向上に貢献できるようになります。

要約(オリジナル)

The global rise in depression necessitates innovative detection methods for early intervention. Social media provides a unique opportunity to identify depression through user-generated posts. This systematic review evaluates machine learning (ML) models for depression detection on social media, focusing on biases and methodological challenges throughout the ML lifecycle. A search of PubMed, IEEE Xplore, and Google Scholar identified 47 relevant studies published after 2010. The Prediction model Risk Of Bias ASsessment Tool (PROBAST) was utilized to assess methodological quality and risk of bias. Significant biases impacting model reliability and generalizability were found. There is a predominant reliance on Twitter (63.8%) and English-language content (over 90%), with most studies focusing on users from the United States and Europe. Non-probability sampling methods (approximately 80%) limit representativeness. Only 23% of studies explicitly addressed linguistic nuances like negations, crucial for accurate sentiment analysis. Inconsistent hyperparameter tuning was observed, with only 27.7% properly tuning models. About 17% did not adequately partition data into training, validation, and test sets, risking overfitting. While 74.5% used appropriate evaluation metrics for imbalanced data, others relied on accuracy without addressing class imbalance, potentially skewing results. Reporting transparency varied, often lacking critical methodological details. These findings highlight the need to diversify data sources, standardize preprocessing protocols, ensure consistent model development practices, address class imbalance, and enhance reporting transparency. By overcoming these challenges, future research can develop more robust and generalizable ML models for depression detection on social media, contributing to improved mental health outcomes globally.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google