利用上下文知识增强机器学习模型在社交媒体帖子中检测饮食障碍
内容提要
本文综述了利用深度学习分析社交媒体数据以研究心理健康的工作，涵盖多模态模型识别进食障碍内容（准确率95.9%）、相关推文分类（F1分数最高86.4%）、心理疾病检测、健康信息分类、用户参与度预测及COVID-19症状词典构建，强调了社交媒体数据对心理健康筛查的价值和平台管理的必要性。
延伸解读
多模态融合提升检测准确率
文章指出，结合视觉和文本数据的多模式RoBERTa和MaxViT融合模型在检测推广进食障碍的社交媒体帖子时，准确度和F1分数分别达到95.9%和0.959。这表明多模态方法能有效利用图像和文本的互补信息，提高检测性能。该模型被用于分类Tumblr和Reddit上的未标记帖子，与先前研究结果基本相似，验证了其泛化能力。
进食障碍内容在社交媒体上的趋势变化
通过时间序列分析，文章发现进食障碍内容的相对丰度曾急剧下降，但自2018年左右以来，其丰富度可能再次增加。这一趋势提示平台需要持续关注此类内容的复苏，并加强管理措施，以阻断有害反馈循环，保护弱势群体。
深度学习在心理健康筛查中的多样化应用
文章综述了多项研究，展示了深度学习在社交媒体心理健康分析中的广泛应用。例如，基于Transformer的模型在分类饮食失调相关推文时F1分数达71.1%-86.4%；分层注意力网络能预测用户是否患有九种心理疾病中的一种，并在四种疾病上超越基准；还有研究利用用户embedding预测心理健康状况，或通过图神经网络预测用户参与度。这些工作表明社交媒体数据是心理健康筛查的良好来源。
平台管理与内容干预的必要性
文章强调社交媒体平台通过放大宣传和推动进食障碍行为的内容和社区，加剧了进食障碍问题。研究利用大型语言模型分析在线社区言论，以识别潜在有害内容，并呼吁更好的社交媒体管理来阻断有害反馈循环。这凸显了在利用社交媒体数据进行心理健康研究的同时，平台治理和干预措施的重要性。
Q&A
多模态深度学习模型在检测社交媒体饮食障碍内容上的准确率是多少？
多模态 RoBERTa 和 MaxViT 融合模型的准确度和 F1 分数分别达到 95.9% 和 0.959。
社交媒体上饮食障碍内容的流行趋势如何变化？
进食障碍内容的相对丰度已经急剧下降，但自约 2018 年以来，进食障碍内容的丰富度或再次增加。
哪些模型被用于分类与饮食失调相关的推文，效果如何？
使用传统机器学习和深度学习模型，发现基于 Transformer 的双向编码器表现最佳，能高效地识别与饮食失调相关的推文，并获得最高 71.1%-86.4% 的 F1 分数。
深度学习如何帮助检测社交媒体用户的心理状况？
通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能。
社交媒体平台在饮食失调问题中扮演什么角色？
社交媒体平台通过放大宣传和推动饮食失调行为的内容和社区，进一步加剧了饮食失调的问题。需要更好的社交媒体管理来阻断有害反馈循环并保护弱势群体。
如何利用社交媒体数据预测心理健康状况？
利用用户 embedding 自动补充传统调查方法，得出近实时大规模粗略估计心理健康状况。这些 embedding 可以捕捉到与精神疾病相关的行为特征，从而能够预测用户的心理健康状况。
