BriefGPT - AI 论文速递
·
利用音频数据在初级保健中促进抑郁风险评估
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
本研究使用 Whispter 工具和 BERTopic 模型从 265 名参与者的 3919 个智能手机采集的语音记录中鉴定出 29 个话题，其中六个话题中 PHQ-8 中值大于等于 10 被视为抑郁风险话题。通过比较识别到的话题之间的行为和语言特征，揭示了话题的产生及其与抑郁症的关联。此外，通过调查话题转变与时间内抑郁症严重程度的变化之间的关系，证明了长期监测语言使用的重要性。研究发现特定的语音话题可能会指示抑郁症的严重程度，提供了一种在真实环境中收集和分析大规模语音数据的实用方法，可用于数字健康研究。
🎯
关键要点
- 本研究使用 Whispter 工具和 BERTopic 模型分析 265 名参与者的 3919 个语音记录，识别出 29 个话题。
- 六个话题的 PHQ-8 中值大于等于 10，被视为抑郁风险话题，包括无期望、睡眠、心理疗法、剪发、学习和课程作业。
- 研究比较了话题之间的行为和语言特征，揭示了话题产生与抑郁症的关联。
- 调查话题转变与抑郁症严重程度变化的关系，证明了长期监测语言使用的重要性。
- 特定语音话题可能指示抑郁症的严重程度，提供了一种在真实环境中收集和分析语音数据的方法。
- 在较小的数据集上测试 BERTopic 模型，获得了一致的结果，支持研究发现。
➡️
