波斯语Twitter自杀意念检测：大规模标注语料库构建与机器学习分类器评估

《Discover Mental Health》：Machine learning detection of suicidal ideation in Persian language tweets using a large scale clinically annotated corpus

　　

摘要

背景

自杀正在成为伊朗及更广泛的中东地区日益严重的公共卫生问题，然而目前临床医生缺乏针对波斯语人群的可扩展工具来早期检测自杀倾向。社交媒体平台为实时监测提供了大量尚未开发的机会，但由于缺乏临床标注数据集，波斯语相关研究仍然稀少。

目的

据我们所知，本研究旨在构建首个大规模、专家标注的波斯语Twitter自杀意念语料库，并评估机器学习分类器是否能够可靠地区分表达个人自杀想法的推文与非自杀内容（包括提及自杀但无个人自杀意图的内容）。

方法

我们通过Twitter学术研究API获取了2020年1月至2021年12月期间发布的波斯语推文，使用精神科医生筛选的包含86个自杀相关和中性查询词的词汇表，通过两条规模相当的并行检索流（平衡的病例对照设计）进行检索。经过语言验证、去重和相关性过滤后，由两位持有执照的精神科医生按照在独立双标注预试阶段最终确定的方案，对推文中是否存在个人自杀意念进行标注（在预试子样本上Cohen's κ = 0.81）。最终语料库包含197,270条推文（98,669条自杀意念，98,601条非自杀内容）。我们在TF-IDF特征（词1-3-gram，10,000个特征）上训练了线性支持向量机（SVM）、逻辑回归和伯努利朴素贝叶斯分类器，并通过固定随机种子的分层10折交叉验证、关键词屏蔽消融实验、类别权重敏感性分析和概率校准分析对其进行评估。完整的计算流程已以固定随机种子的形式公开发布；精确数值的复现需要访问受限制的语料库。

结果

逻辑回归和线性SVM表现相当（F1 = 0.933 ± 0.001 和 0.933 ± 0.001；PR-AUC = 0.980 和 0.979），两者均远超关键词词汇表基线模型。该基线模型虽达到了高精度（0.970），但漏检了62%的自杀推文（召回率 = 0.378），表明语料库中大多数自杀意念的表达不包含明确的自杀相关查询词。当将所有44个自杀相关查询词及其形态变体从测试推文中屏蔽时，SVM仍达到F1 = 0.898，表明分类器在很大程度上依赖于词汇表术语之外的上下文语言线索。逻辑回归模型校准良好（Brier分数 = 0.052；Cox校准斜率 = 1.22），支持其概率输出的可解释性。

结论

有监督机器学习模型能够可靠地区分表达个人自杀意念的波斯语推文与日常生活内容，即使在没有明确自杀术语的情况下也是如此。本文所展示的标注语料库、透明方法学以及公开可审查的带种子流水线，为波斯语自杀风险研究建立了一个专用框架。这些工具可以支持伊朗及整个波斯语地区的公共卫生精神健康监测，但前提是部署必须嵌入人工监督框架和适当的伦理保障措施之中，并且在任何实际操作使用前，必须在现实的低患病率条件下重新验证其性能。