ソーシャルメディア上での自殺願望の検出.マルチモーダル、関連性、行動分析

Detection of Suicidal Ideation on Social Media: Multimodal, Relational, and Behavioral Analysis.

• Diana Ramírez-Cifuentes
• Ana Freire
• Ricardo Baeza-Yates
• Joaquim Puntí
• Pilar Medina-Bravo
• Diego Alejandro Velazquez
• Josep Maria Gonfaus
• Jordi Gonzàlez

抄録

背景:

自殺リスク評価は通常、医師と患者の間で行われる。しかし、メンタルヘルス施設へのアクセスが限られていること、臨床医の数が少ないこと、認知度が低いこと、精神疾患を取り巻くスティグマ、ネグレクト、差別などの理由で、精神疾患の治療を受けていない人がかなりの数に上っています。一方、インターネットへのアクセスやソーシャルメディアの利用が大幅に増加しており、専門家や患者にコミュニケーション手段を提供することで、ソーシャルメディア利用者のメンタルヘルス問題を検出する方法の開発に貢献する可能性がある。

BACKGROUND: Suicide risk assessment usually involves an interaction between doctors and patients. However, a significant number of people with mental disorders receive no treatment for their condition due to the limited access to mental health care facilities; the reduced availability of clinicians; the lack of awareness; and stigma, neglect, and discrimination surrounding mental disorders. In contrast, internet access and social media usage have increased significantly, providing experts and patients with a means of communication that may contribute to the development of methods to detect mental health issues among social media users.

目的:

本論文は、ソーシャルメディア上のスペイン語圏ユーザーの自殺リスク評価のためのアプローチを記述することを目的としている。複数のソーシャルプラットフォームから抽出した行動、関係性、マルチモーダルデータを探索し、リスクにあるユーザーを検出するための機械学習モデルを開発することを目的とした。

OBJECTIVE: This paper aimed to describe an approach for the suicide risk assessment of Spanish-speaking users on social media. We aimed to explore behavioral, relational, and multimodal data extracted from multiple social platforms and develop machine learning models to detect users at risk.

方法:

我々は、ユーザーの書き込み、投稿パターン、他のユーザーとの関係、投稿された画像をもとにユーザーを特徴づけた。また，自殺念慮の兆候があるユーザ（自殺念慮リスク群）を検出するために，マルチモーダルデータを扱う統計的手法とディープラーニング手法を評価した．我々の手法は、臨床医によってアノテーションされた252人のユーザーのデータセットを対象に評価された。モデルの性能を評価するために、自殺関連語彙を使用しているユーザー（フォーカスコントロール群）と一般的なランダムユーザー（ジェネリックコントロール群）の2つのコントロール群に分けた。

METHODS: We characterized users based on their writings, posting patterns, relations with other users, and images posted. We also evaluated statistical and deep learning approaches to handle multimodal data for the detection of users with signs of suicidal ideation (suicidal ideation risk group). Our methods were evaluated over a dataset of 252 users annotated by clinicians. To evaluate the performance of our models, we distinguished 2 control groups: users who make use of suicide-related vocabulary (focused control group) and generic random users (generic control group).

結果:

自殺念慮リスク群と比較した対照群のそれぞれのテキスト属性と行動属性の間に、統計的に有意な差があることを確認した。95％信頼区間において、自殺念慮リスク群と集中対照群を比較すると、友達の数（P=0.04）とツイートの長さの中央値（P=0.04）に有意な差が見られた。フォーカスコントロール群の友人数の中央値（中央値578.5）は、リスク群の友人数の中央値（中央値372.0）よりも高かった。同様に、ツイートの長さの中央値は、自殺念慮リスクユーザーの13ワードに対して、フォーカスコントロールユーザーの方が16ワードと高かった。また、テキストデータ、視覚データ、リレーショナルデータ、行動データの組み合わせは、それぞれのモダリティを別々に使用した場合の精度を上回ることが示された。単語の袋と単語の埋め込みに基づいたテキストベースのベースラインモデルを定義したが、このモデルは我々のモデルよりも優れており、リスクのあるユーザーをコントロールユーザーと区別する際に、最大8%の精度向上を得た。

RESULTS: We identified significant statistical differences between the textual and behavioral attributes of each of the control groups compared with the suicidal ideation risk group. At a 95% CI, when comparing the suicidal ideation risk group and the focused control group, the number of friends (P=.04) and median tweet length (P=.04) were significantly different. The median number of friends for a focused control user (median 578.5) was higher than that for a user at risk (median 372.0). Similarly, the median tweet length was higher for focused control users, with 16 words against 13 words of suicidal ideation risk users. Our findings also show that the combination of textual, visual, relational, and behavioral data outperforms the accuracy of using each modality separately. We defined text-based baseline models based on bag of words and word embeddings, which were outperformed by our models, obtaining an increase in accuracy of up to 8% when distinguishing users at risk from both types of control users.

結論:

分析された属性の種類は、リスクのあるユーザーを検出する上で有意であり、これらの属性の組み合わせは、汎用的なテキストベースのベースラインモデルの結果を上回るものであった。画像ベースの予測モデルの貢献度を評価した結果、テキストと関係性のある特徴に基づいてモデルを強化することで、結果を改善できると考えています。これらの方法は、他の精神障害に関連するさまざまなユースケースに拡張して適用することができます。

CONCLUSIONS: The types of attributes analyzed are significant for detecting users at risk, and their combination outperforms the results provided by generic, exclusively text-based baseline models. After evaluating the contribution of image-based predictive models, we believe that our results can be improved by enhancing the models based on textual and relational features. These methods can be extended and applied to different use cases related to other mental disorders.

©Diana Ramírez-Cifuentes, Ana Freire, Ricardo Baeza-Yates, Joaquim Puntí, Pilar Medina-Bravo, Diego Alejandro Velazquez, Josep Maria Gonfaus, Jordi Gonzàlez. Originally published in the Journal of Medical Internet Research (http://www.jmir.org), 07.07.2020.