编辑推荐：
为解决季节性情感障碍（SAD）检测中数据集有限、类别不平衡及缺乏实时预测模型等问题，研究人员开展利用多模态社交媒体数据和合成少数过采样技术（SMOTE）检测 SAD 的研究。结果显示 LGBM 等模型表现优异，该研究推进了 SAD 检测，助力心理健康监测。
在寒冷的秋冬季节，有些人总会莫名地感到情绪低落、疲惫不堪，对很多事情都提不起兴趣。这种被称为季节性情感障碍（Seasonal Affective Disorder，SAD）的疾病，就像隐藏在季节背后的 “情绪杀手”，不仅影响着人们的日常生活，还对工作效率和人际关系造成了不小的冲击。目前，SAD 的检测主要依赖临床评估、自我报告调查等传统方法，这些方法往往缺乏可扩展性和实时适应性。而社交媒体的兴起，为 SAD 的早期检测提供了新的契机。然而，利用社交媒体数据进行 SAD 检测也面临着诸多挑战，比如数据类别不平衡、数据稀疏以及需要实时计算效率等问题。为了解决这些难题，来自国外研究机构的研究人员开展了一项关于 SAD 检测的研究，其研究成果发表在《Acta Psychologica》上。
研究人员为了实现更精准的 SAD 检测，采用了多种关键技术方法。他们收集了 2022 年 5 月至 2023 年 10 月的社交媒体数据，包括与季节相关的语音转文本内容、Facebook 和 Twitter 帖子等。在数据处理阶段，运用了数据预处理技术，如处理缺失值，将缺失值标记为 NaN 后用 dropna () 函数去除 ，以保证数据的完整性。为了解决类别不平衡问题，使用了合成少数过采样技术（SMOTE） ，并通过两种方式应用该技术，分别对整个数据集和训练数据集进行处理。此外，研究人员还运用了多种机器学习算法，如随机森林（Random Forest）、决策树（Decision Tree）、K 近邻（K-Nearest Neighbors，KNN）、自适应提升（Adaptive Boosting，AdaBoost）、极端梯度提升（Extreme Gradient Boosting，XGBoost）和轻量级梯度提升机（Light Gradient Boosting Machine，LGBM），并对这些算法的参数进行了调优，以提高模型的性能。
研究结果部分，在性能评估方面，对比不同配置下的机器学习模型发现，LGBM 模型表现出色。在扩展参数网格且对训练数据集应用 SMOTE 的设置中，LGBM 模型达到了 96.96% 的准确率和 96.64% 的 F1 分数 。在分析 SMOTE 和参数网格应用的影响时，发现 LGBM 在不同实验设置下均表现优异，随机森林和 XGBoost 等集成学习模型也有不错的表现，而决策树和 KNN 等简单模型性能相对较低。同时，研究还发现对训练数据集应用 SMOTE 可能导致模型过拟合 。在 10 折交叉验证 ROC-AUC 分析中，当 SMOTE 应用于整个数据集时，随机森林、XGBoost 和 LGBM 表现突出；当 SMOTE 仅应用于训练数据集时，各模型表现有不同程度的变化 。在计算复杂性和时间分析方面，研究人员分析了理论复杂性和实证训练 / 推理时间，结果表明不同模型各有特点，如决策树训练和推理速度快，AdaBoost 训练时间呈二次方增长，计算成本较高 。在预测能力分析中，随机森林和 LGBM 在处理数据集复杂性和预测能力上表现卓越，XGBoost 和 LGBM 也展现出较强的预测能力，而决策树、KNN 和 AdaBoost 的表现相对较弱 。
研究结论表明，该研究提出的利用多模态社交媒体数据和先进机器学习技术的 SAD 检测框架，有效解决了类别不平衡、数据集限制和计算效率等问题，提升了 SAD 分类模型的可扩展性和准确性 。LGBM 模型在多个评估指标上表现最佳，且能保持实时效率 。这一研究成果意义重大，为 SAD 的早期检测和干预提供了新的方法和思路，有助于推动心理健康监测领域的发展。然而，研究也存在一定的局限性，例如依赖社交媒体数据可能带来人口统计学偏差，SMOTE 未考虑区域季节性变化，且未纳入视觉线索等 。未来的研究可以朝着扩大数据集、整合更多类型的数据（如临床记录、生理指标等）、应用先进的深度学习模型以及开发实用的检测系统等方向展开，同时要注重解决隐私和伦理问题，加强与临床心理健康评估的结合，从而更好地服务于 SAD 的诊断和干预，为人们的心理健康保驾护航。
