Sentiment Analysis for PTSD Signals

این کتاب یک چارچوب محاسباتی برای تشخیص بی‌درنگ سیگنال‌های روان‌شناختی مربوط به اختلال استرس پس از سانحه (PTSD) در پست‌های مبتنی بر متن آنلاین، از جمله وبلاگ‌ها و انجمن‌های وب، توصیف می‌کند. علاوه بر این، بررسی می‌کند که چگونه تکنیک‌های محاسباتی نوظهور مانند احساسات کاوی می‌توانند در زمان واقعی برای شناسایی پست‌هایی که حاوی سیگنال‌های مرتبط با PTSD هستند، پرچم‌گذاری آن پست‌ها و جلب توجه روان‌شناسان مورد استفاده قرار گیرند، بنابراین یک پرچم خودکار و قابلیت ارجاع ارائه می‌شود. . استفاده از فناوری‌های استخراج احساسات امکان تجزیه و تحلیل عمیق خودکار نظرات و احساسات بیان شده توسط افراد در پست‌های آنلاین خود را فراهم می‌کند. با آموزش این سیستم‌های خودکار با نظرات کارشناسان دانشگاهی و بالینی، می‌توان سیستم‌ها را به گونه‌ای اصلاح کرد که دقت تشخیص سیگنال‌های احتمالی PTSD با روانشناسانی که همان پست‌های آنلاین را می‌خوانند، قابل مقایسه باشد. در حالی که بخشی از ادبیات مربوط به این موضوع و موضوعات مرتبط، همبستگی بین الگوهای متنی در اسناد آرشیو شده و PTSD را بررسی می‌کند، هیچ ادبیاتی تا به امروز سیستمی را توصیف نمی‌کند که تجزیه و تحلیل بلادرنگ انجام می‌دهد. سیستم ما به تحلیلگران اجازه می‌دهد تا پست‌های آنلاینی را که به‌عنوان علائم یا نشانه‌های PTSD علامت‌گذاری شده‌اند، به سرعت شناسایی، بررسی و تأیید کنند و امکان پیگیری را فراهم می‌کند، بنابراین امکان ارائه گزینه‌های درمانی به نویسندگان آن پست‌ها را فراهم می‌کند. ما هستی شناسی اصطلاحات مرتبط با PTSD (یعنی اصطلاحاتی که به PTSD سیگنال می دهند و شرایط مرتبط) که نیاز به ردیابی دارند، الگوریتم های مورد استفاده برای استخراج شدت این سیگنال ها و فرآیند آموزشی مورد استفاده برای تنظیم دقیق الگوریتم های تجزیه و تحلیل احساسات را شرح می دهیم. . سپس نتایج پردازش یک مجموعه داده اعتبار سنجی، متفاوت از مجموعه آموزشی، مقایسه خروجی الگوریتمی با نظرات روانشناسان بالینی را ارائه می‌کنیم و توضیح می‌دهیم که چگونه می‌توان این مفهوم را برای تشخیص سیگنال‌های سایر شرایط روان‌شناختی گسترش داد. ما یک نمونه معماری و پیاده‌سازی سیستم را ارائه می‌کنیم که می‌تواند برای تعامل با کاربران و خانواده‌های آنها، به‌صورت ناشناس یا همنام، استفاده شود و از الگوریتم‌های استخراج احساسات به‌عنوان ابزار غربالگری اولیه برای هشدار دادن به پزشکان به شرکت‌کنندگانی که ممکن است نیاز به نظارت یا پیگیری دقیق داشته باشند، استفاده می‌کند. در نهایت، ما یک آزمایش کاربر انجام شده با کاربرانی که از جمعیت جانبازان به کار گرفته شده بودند را توصیف می‌کنیم و نتایج تجزیه و تحلیل‌ها را روی داده‌ها ارائه می‌کنیم.

This book describes a computational framework for real-time detection of psychological signals related to Post-Traumatic Stress Disorder (PTSD) in online text-based posts, including blogs and web forums. Further, it explores how emerging computational techniques such as sentiment mining can be used in real-time to identify posts that contain PTSD-related signals, flag those posts, and bring them to the attention of psychologists, thus providing an automated flag and referral capability. The use of sentiment extraction technologies allows automatic in-depth analysis of opinions and emotions expressed by individuals in their online posts. By training these automated systems with input from academic and clinical experts, the systems can be refined so that the accuracy of their detection of possible PTSD signals is comparable to that of psychologists reading the same online posts. While a portion of the literature on this and related topics explores the correlation between text patterns in archived documents and PTSD, no literature to date describes a system performing real-time analysis. Our system allows analysts to quickly identify, review, and validate online posts which have been flagged as exhibiting signs or symptoms of PTSD and enables follow-up, thus allowing for the presentation of treatment options to the authors of those posts. We describe the ontology of PTSD-related terms (i.e., terms which signal PTSD and related conditions) that need to be tracked, the algorithms used for extraction of the intensity of these signals, and the training process used to fine-tune sentiment analysis algorithms. We then present the results of processing a validation data set, different from the training set, comparing the algorithmic output with opinions of clinical psychologists, and explain how the concept can be extended to detect signals of other psychological conditions. We present a sample system architecture and implementation which can be used to engage users and their families, either anonymously or eponymously, and use the sentiment extraction algorithms as an early screening tool to alert clinicians to participants who may require close monitoring or follow-up. Finally, we describe a user test conducted with users recruited from the Veteran population and present the results of the analyses on the data.