[目的/意義]通過在線工具來分析社交網(wǎng)絡(luò)用戶的語言和行為特征,對(duì)抑郁癥患者進(jìn)行預(yù)測(cè)性研究。[方法/過程]從推特上收集自我披露的抑郁癥信息,提取抑郁癥用戶和正常用戶在社交網(wǎng)絡(luò)中的語言和行為特征信息。在對(duì)特征信息進(jìn)行分析和驗(yàn)證的基礎(chǔ)上,利用機(jī)器學(xué)習(xí)算法預(yù)測(cè)抑郁癥用戶。[結(jié)果/結(jié)論]研究發(fā)現(xiàn),用戶在社交網(wǎng)絡(luò)上的語言和行為特征能夠反映其心理狀態(tài),從中提取的各類特征可用于抑郁用戶的檢測(cè)。在抑郁癥用戶預(yù)測(cè)方法中,隨機(jī)森林分類器的表現(xiàn)最好。基于Empath的詞語類別特征在不同類型分類中具有最高的預(yù)測(cè)得分,而主題特征的得分排名較低。 

【文章來源】：現(xiàn)代情報(bào). 2020,40(06)CSSCI

【文章頁數(shù)】：12 頁

【部分圖文】：

基于社交網(wǎng)絡(luò)的抑郁癥用戶檢測(cè)模型

從抑郁用戶組和正常用戶組交互特征統(tǒng)計(jì)結(jié)果（如圖2）可以發(fā)現(xiàn)，抑郁用戶在社交網(wǎng)絡(luò)上不如正常用戶活躍，通常他們具有較少的朋友（432<608,p<0.001）。平均每天的發(fā)帖數(shù)量明顯低于正常用戶（25.79<27.92,p<0.001），抑郁用戶平均被關(guān)注數(shù)低于正常用戶（0.330<1.362,p<0.001）。平均每天的收藏?cái)?shù)量較低（7.73<9.73,p=0.032）。另外，他們對(duì)事物缺乏興趣，關(guān)注或收藏的內(nèi)容較少。抑郁癥患者在社交網(wǎng)絡(luò)上與其他用戶之間的交互活動(dòng)較少，具體表現(xiàn)在整體的發(fā)帖量明顯低于正常用戶。3.1.2 活動(dòng)周期性分析

通過對(duì)抑郁癥患者帖子的語言結(jié)構(gòu)分析發(fā)現(xiàn)，抑郁用戶使用人稱代詞的比例要顯著高于正常用戶，較常使用第一人稱（0.023>0.022,p=0.01）和第二人稱（0.020>0.019,p=0.002），較少使用第三人稱（0.015<0.017,p<0.001）。從心理學(xué)的視角看，較多的第一人稱使用率表明，抑郁癥患者更加關(guān)注自身，自我意識(shí)或自我感知能力過強(qiáng)。容易產(chǎn)生極端化的思維方式，喜歡用表示極端的副詞，如“完全”、“絕對(duì)”或“所有人”（0.0066>0.0059,p<0.001）。每個(gè)單詞的平均字符數(shù)存在一定差異（4.749>4.732,p=0.048）。抑郁癥用戶在交流中使用較為簡(jiǎn)單的語法形式，缺乏靈活性，語言可讀性（CLI）較低（11.59<11.78,p=0.046），在詞性類別的選擇上更加單一化，運(yùn)用語言的能力要低于正常用戶組。在連詞（0.019>0.022,p<0.001）、數(shù)詞（0.016<0.018,p<0.001）、情態(tài)助動(dòng)詞（0.013>0.012,p=0.01）、名詞（0.176<0.179,p=0.006）、副詞（0.061>0.059,p=0.004）、小品詞（0.0049<0.0052,p=0.001）和動(dòng)詞（0.098<0.104,p<0.001）等詞語使用頻率整體較低。抑郁癥患者語言和內(nèi)容相對(duì)貧乏，傾向于使用更多的簡(jiǎn)單單詞（4.73<4.74,p=0.047），每個(gè)句子平均單詞數(shù)較少（17<37,p=0.002）。結(jié)果見圖4。

【參考文獻(xiàn)】：
期刊論文
[1]近三年國外圖書館學(xué)與信息科學(xué)領(lǐng)域研究熱點(diǎn)與前沿分析[J]. 劉雅姝,張海濤,徐海玲,李題印.  現(xiàn)代情報(bào). 2019(09)
[2]利用準(zhǔn)私密社交網(wǎng)絡(luò)文本數(shù)據(jù)檢測(cè)抑郁用戶的可行性分析[J]. 劉德喜,邱家洪,萬常選,劉喜平,鐘敏娟,郭海峰,鄧松.  中文信息學(xué)報(bào). 2018(09)
[3]2017年國際信息科學(xué)與圖書館學(xué)研究熱點(diǎn)分析[J]. 田大芳,魏瑞斌.  現(xiàn)代情報(bào). 2018(08)
[4]基于“用戶畫像”的閱讀療法模式研究——以抑郁癥為例[J]. 韓梅花,趙景秀.  大學(xué)圖書館學(xué)報(bào). 2017(06)

碩士論文
[1]基于情緒詞庫的抑郁癥患者情緒表達(dá)分析與預(yù)測(cè)[D]. 李林堅(jiān).浙江大學(xué) 2019
[2]基于詞向量的微博用戶抑郁預(yù)測(cè)方法研究[D]. 方振宇.合肥工業(yè)大學(xué) 2017
[3]基于新浪微博的互聯(lián)網(wǎng)用戶心理健康狀態(tài)判別[D]. 胡泉.河南大學(xué) 2015



本文編號(hào)：3387188