Ein auf Aufmerksamkeit basierendes CNN-BiLSTM-Modell zur Depressionsdetektion in Texten sozialer Medien

Depression wird seit langem als häufige psychische Störung und als Krankheit mit einer Reihe von diagnostischen Kriterien beschrieben, die die Gefühle und das Verhalten der betroffenen Personen beeinflussen. Die Häufigkeit der Internetnutzung hat die Offenheit der Menschen erhöht, ihre Erfahrungen und Kämpfe, einschließlich psychischer Erkrankungen, in sozialen Medien zu teilen, weshalb Forscher versucht haben, Klassifikationsmodelle zur Depressionsdetektion mit verschiedenen Methoden des maschinellen Lernens und des tiefen Lernens zu entwickeln. In dieser Forschung schlagen wir eine tiefenlernende Architektur mit einem Aufmerksamkeitsmechanismus auf CNN-BiLSTM (CBA) vor und bieten eine vergleichende Analyse, um bekannte tiefenlernende Modelle mit dem öffentlichen Datensatz CLEF2017 zu benchmarken. Wir haben festgestellt, dass neben dem F1-Score, der Genauigkeit und dem Recall auch die Fläche unter der Kurve - Empfangskennlinie (AUC-ROC) und der Matthews-Korrelationskoeffizient (MCC) wichtige Metriken zur Evaluierung von Klassifikationsmodellen für Depressionen sind, da der MCC alle vier Werte einer Verwirrungsmatrix berücksichtigt. Basierend auf unseren Experimenten übertrifft das CBA-Modell das bestehende Stand der Technik-Modell mit einer Gesamtgenauigkeit von 96,71 % und einer AUC-ROC von 0,85 sowie einem MCC von 0,77.