DistilBERT 與全息簡化表示法分析線上社群抑鬱認知語言指標

研究論文提出一項新穎的混合模型，用於線上社群中抑鬱症的自動檢測。該研究基於貝克抑鬱認知理論，提取認知扭曲作為可測量特徵，包括第一人稱代詞密度、絕對主義詞語和負面情緒。使用 Kaggle 的 Reddit 自殺與抑鬱檢測數據集子集，研究人員比較了兩種分類管道：以 TF-IDF 嵌入搭配樸素貝葉斯的基準模型，以及結合 DistilBERT 句子嵌入與全息簡化表示法（HRR）向量的混合模型，後者再使用邏輯迴歸進行分類。實驗結果顯示，混合 DistilBERT HRR 模型的巨集 F1 分數達到 0.94，遠高於 TF-IDF 基準的 0.80；在五折交叉驗證中，F1 分數從 0.83 提升至 0.92，AUC 從 0.958 改善到 0.981。這表明結合認知語言特徵與先進的變壓器嵌入技術，能顯著增強抑鬱症檢測的準確性，為心理健康領域的 AI 應用提供新方向。