Eine neue Studie, veröffentlicht in Frontiers in Artificial Intelligence (DOI: 10.3389/frai.2025.1627078), untersucht die Früherkennung von Depressionen durch Black-Box-Modelle des maschinellen Lernens (ML) und natürliche Sprachverarbeitung (NLP) anhand von Social-Media-Daten. Forscher der Islamia University of Bahawalpur, Universität des Punjab, Manchester Metropolitan University und Staffordshire University nutzten Modelle wie Support Vector Machines (SVM), Random Forests (RF) und neuronale Netze, kombiniert mit NLP-Techniken wie TF-IDF, Latent Dirichlet Allocation (LDA) und GloVe-Embeddings.
Die Studie integriert die erklärbare KI-Methode LIME (Local Interpretable Model-Agnostic Explanations), um die Transparenz und Interpretierbarkeit der Modelle zu erhöhen. SVM erzielte die höchste Genauigkeit bei der Depressionserkennung, während LIME Einblicke in sprachliche Marker lieferte, die mit psychologischer Forschung übereinstimmen. Dies verbessert die klinische Vertrauenswürdigkeit der Modelle.
Im Gegensatz zu früheren Arbeiten, die sich auf Klassifizierungsgenauigkeit konzentrierten, legt die Studie Wert auf Interpretierbarkeit und testete 28 Feature-Klassifikator-Kombinationen. Sie führte spezifische Vorverarbeitungsschritte wie Slang-Erweiterung und ein depressionsspezifisches Stoppwortverzeichnis ein. Die Ergebnisse bieten Ärzten Einblicke in sprachliche Muster und unterstützen die Früherkennung psychischer Störungen.
Entdecke mehr von LabNews
Melde dich für ein Abonnement an, um die neuesten Beiträge per E-Mail zu erhalten.
