基于可解释深度学习技术的心理健康检测方法：从英文和阿拉伯语社交媒体帖子中识别相关线索

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Explainable Deep Learning for Mental Health Detection from English and Arabic Social Media Posts

抑郁症检测通过社交媒体分析，提出BERT/Bi-LSTM管道和RoBERTa模型优化方案，对比七种传统机器学习与八种深度学习模型性能，验证阿拉伯语与英语数据集效果，探讨可解释AI提升决策透明度的应用前景。

　　

摘要

近年来，研究社区开始探索通过社交媒体检测抑郁症，这成为该领域的一个相对较新的发展方向。一些研究致力于从英文社交媒体帖子中识别抑郁迹象，而针对阿拉伯语帖子的研究则较少。本文提出了一种基于BERT和Bi-LSTM的框架，用于从阿拉伯语社交媒体帖子中识别抑郁迹象；同时，还提出了一种针对英文社交媒体帖子的、经过微调的RoBERTa模型，用于识别抑郁状态。除了这些模型外，还探讨了七种传统的机器学习模型和八种深度学习模型，以识别阿拉伯语和英文社交媒体帖子中的抑郁迹象。所提出模型的性能已在两个阿拉伯语数据集和一个英文数据集上得到了验证。该BERT和Bi-LSTM框架在两个不同的阿拉伯语数据集上取得了领先的性能，其F1分数分别为1.00和0.82；而经过微调的RoBERTa模型在识别英文社交媒体帖子中的抑郁迹象时，F1分数为0.60，表现同样出色。大多数推荐的深度学习模型都是端到端的，因此需要对其成功原因进行更深入的解释。基于可解释性的人工智能模型可以提高决策透明度与可解释性。因此，本研究指出了该系统在识别抑郁迹象方面的优势与不足，这有助于未来抑郁症检测领域的发展。