La dépression est une maladie mentale courante qui peut grandement affecter la capacité d'un individu à fonctionner lorsque l'état est grave. Avec la prolifération des plateformes de médias sociaux, de plus en plus d'études ont commencé à analyser les données des utilisateurs sur les médias sociaux pour détecter leur dépression. Cependant, la plupart des études existantes ignorent les informations sur les distorsions cognitives des utilisateurs. De plus, ces études se concentrent uniquement sur les informations sémantiques des publications des utilisateurs et ignorent une variété d'informations au niveau des utilisateurs liées à la dépression. Pour remédier à ces faiblesses, nous proposons un modèle de détection de la dépression fusionnant les distorsions cognitives et les informations au niveau des utilisateurs. D'une part, le modèle capture la formation de distorsion cognitive multi-granularité potentielle dans le texte des utilisateurs via un encodeur de distorsion cognitive formé par une méthode d'apprentissage de distorsion cognitive multi-granularité. En outre, nous proposons un mécanisme conscient des distorsions au niveau des publications pour identifier les distorsions cognitives clés liées à la cognition subjective des utilisateurs. D'autre part, le modèle fusionne les informations au niveau des utilisateurs qui sont fortement corrélées aux symptômes de la dépression. Il identifie également dynamiquement les informations clés de fusion au niveau des publications et plusieurs informations au niveau des utilisateurs pour différents utilisateurs via une méthode de pondération adaptative multi-caractéristiques, ce qui réduit le bruit des irrégularités des données. Les résultats des expériences montrent que le modèle atteint des performances à la pointe de la technologie sur un ensemble de données public. De plus, nous discutons de l'impact des différentes stratégies d'apprentissage de distorsion cognitive et de l'importance des différentes informations au niveau des utilisateurs dans la détection de la dépression à travers diverses expériences.
Wan et al. (Jeu,) ont étudié cette question.