Depression Detection on Social Media with Large Language Models
Created by
- Haebom
Category
Empty
저자
Xiaochong Lan, Zhiguang Han, Yiming Cheng, Li Sheng, Jie Feng, Chen Gao, Yong Li
개요
정신 건강 관리 자원의 제한적인 접근성으로 인해 우울증 진단이 지연되어 부정적인 결과로 이어진다. 소셜 미디어 플랫폼은 조기 발견을 위한 귀중한 데이터 소스이지만, 임상 우울증과 일시적인 기분 변화를 구별하기 위한 의학적 지식의 필요성, 높은 정확도와 모델 설명 가능성이라는 두 가지 주요 과제에 직면한다. 이를 해결하기 위해 대규모 언어 모델 (LLM)을 활용하는 DORIS 프레임워크를 제안한다. DORIS는 LLM을 사용하여 의료 진단 기준에 따라 사용자 텍스트에 주석을 달고, 과거 게시물을 시간별 기분 추세로 요약하여 의학적 지식을 통합한다. 이러한 의학적 지식을 바탕으로 한 특징은 정확한 Gradient Boosting Tree (GBT) 분류기를 훈련하는 데 사용된다. 설명 가능성은 LLM 기반 증상 주석 및 기분 추세 분석을 기반으로 예측에 대한 근거를 생성함으로써 달성된다. 광범위한 실험 결과는 본 방법의 효과와 해석 가능성을 입증하며, 보조 임상 도구로서의 잠재력을 강조한다.
시사점, 한계점
•
시사점:
◦
LLM을 활용한 의료 지식 통합을 통해 우울증 조기 진단 정확도 향상.
◦
모델의 예측 근거 제시를 통해 설명 가능성 확보.
◦
보조 임상 도구로서의 활용 가능성 제시.
•
한계점:
◦
구체적인 한계점은 논문 내용에서 직접적으로 언급되지 않음. (예: 데이터 편향, 모델의 일반화 능력, 특정 LLM의 의존성 등은 추가적인 연구가 필요할 수 있음)
