基於PTT電子佈告欄之憂鬱症偵測:以文字及時間資訊為特徵

為了檢視系統與真人判斷的一致性，我們進行了使用者測試，結果顯示系統在偵測重度憂鬱症上的表現比起偵測中度或輕度憂鬱要好。

最後，本研究提出了一個解釋的方法， ... 資料載入處理中... 跳到主要內容 臺灣博碩士論文加值系統 ::: 網站導覽| 首頁| 關於本站| 聯絡我們| 國圖首頁| 常見問題| 操作說明 English |FB專頁 |Mobile 免費會員 登入| 註冊 功能切換導覽列 (178.128.221.219)您好！臺灣時間：2022/07/0520:02 字體大小：       ::: 詳目顯示 recordfocus 第1筆/ 共1筆  /1頁 論文基本資料 摘要 外文摘要 目次 參考文獻 紙本論文 QRCode 本論文永久網址: 複製永久網址Twitter研究生:沈砡君研究生(外文):Yu-ChunShen論文名稱:基於PTT電子佈告欄之憂鬱症偵測:以文字及時間資訊為特徵論文名稱(外文):DepressionDetectionBasedonPTTBulletinBoardSystem:UsingTextandTimeInformationasFeatures指導教授:林守德口試委員:張俊盛、陳信希、劉昭麟、鄭卜壬口試日期:2011-07-15學位類別:碩士校院名稱:國立臺灣大學系所名稱:資訊工程學研究所學門:工程學門學類:電資工程學類論文種類:學術論文論文出版年:2011畢業學年度:99語文別:英文論文頁數:53中文關鍵詞:憂鬱症、憂鬱症判斷、時間資訊、文章分類、解釋外文關鍵詞:depression、depressiondetection、timeinformation、textclassification、explanation相關次數: 被引用:0點閱:544評分:下載:0書目收藏:0 憂鬱症是當前人類社會的重要疾病，然而許多人有憂鬱症的問題卻不自知。

由於人們熱衷於將自己的日記或情緒發洩寫在網路上，利用文字來做憂鬱症的偵測應是一個值得研究的問題。

而這篇論文的目標在於設計一個分類系統，能藉由一個人所寫的文章來判斷他是否為潛在的憂鬱症患者。

為了解決這個問題，我們提出了一個使用監督式學習(supervisedlearning)方法的兩階段分類器。

第一個階段先判斷目標是否為負面情緒，第二個階段再判斷目標是否為憂鬱症。

所有的訓練資料皆來自PTT電子佈告欄，且我們以字詞的TF-IDF值作為基本的特徵。

兩階段的交叉驗證準確度(crossvalidationaccuracy)分別為96.17%及81.86%。

此外，在第二階段中，我們還額外考慮了時間資訊，將一個時間性特徵定義為“時間-字詞”的配對，在這些時間性特徵加入後，得到2.65%的準確度提升。

這表示，在不同的時間講同樣的字可能代表不同的傾向(憂鬱症或一般負面情緒)。

我們也發現時間資訊在缺乏明顯字詞的情況下效果特別明顯，由於在真實世界中，許多憂鬱症患者並不會使用明顯的字詞，因此我們可以期待時間資訊在系統實際使用時所發揮的效果。

為了檢視系統與真人判斷的一致性，我們進行了使用者測試，結果顯示系統在偵測重度憂鬱症上的表現比起偵測中度或輕度憂鬱要好。

最後，本研究提出了一個解釋的方法，希望能在不失去準確率的情況下增進真人判斷的效率，並且以實際的使用者測試證實了它的效果。

Depressionisnowanimportantdiseaseinhumansociety,whilemanypeoplehavethisproblemwithoutbeingawareofit.Sincepeopleliketoposttheirdiaryorventemotionsontheweb,detectdepressionbytextsshouldbeaworthwhiletopic.Thegoalofthisthesisistodesignaclassificationsystemthatdetermineswhetherapersonisapotentialcandidatefordepressiongiventhetextswrittenbytheperson.Tosolvethisproblem,weproposetousea“two-stage”classifierwithsupervisedlearningmethod.Thefirststagedetermineswhetherthetargetisnegative-emotionornot,andifitis,thesecondstagefurtherdetermineswhetheritisclinicaldepressionorjustordinarysadness.AllofourtrainingdatacomefromPTTbulletinboardsystem,andTF-IDFvaluesofwordsisusedasthebasicfeaturesforclassification.Thecrossvalidationaccuracyofthetwostagesare96.17%and81.86%respectively.Inaddition,forthesecondstage,wefurtherconsidertimeinformation,defineatemporalfeaturetobeatime-termpair,andresultin2.65%improvementwhenthesetemporalfeaturesareadded.Itshowsthatsayingonewordindifferenttimemayrepresentdifferenttendencies(clinicaldepressionorordinarysadness).Wealsofoundthattimeinformationworksespeciallywhenobvioustermsarenotavailable,sincelotsofdepressionpeopleinrealworlddonotspeakobviousterms,wecanexpecttheeffectoftimeinformationwhenthesystemisinrealityuse.Toseetheconsistencybetweensystemandhumanjudgment,auserstudyhasbeenconducted.Itshowsthatoursystemperformsbetterindetectingmajordepressionthanindetectingmoderateorminordepression.Intheend,wedemonstrateanexplanationwaytoimprovetheefficiencyofhumanjudgmentwithoutlosingaccuracy,andauserstudyprovedtheeffect. Acknowledgement............iAbstract............ii摘要............iiiTableofContents............ivListofFigures............viListofTables............viiChapter1Introduction............11.1BackgroundandMotivation............11.2MethodologyOverview............31.3SummaryofContributions............41.4ThesisOrganization............4Chapter2DepressionDetection............62.1ResearchProblems............62.2MethodologyOverview............62.3DescriptionoftheTrainingData............72.4Stage1–“negative-emotionvs.non-negative-emotion”Classifier............102.4.1FeatureGeneration............102.4.2ExperimentResults............102.5Stage2–“depressionvs.sadness”Classifier............112.5.1FeatureGeneration............112.5.1.1TermFeatures............112.5.1.2TemporalFeatures............112.5.2ExperimentResults............132.5.2.1TermFeatures............142.5.2.2TemporalFeatures............16Chapter3ExplanationSystem............233.1GoalofExplanation............233.2ExplanationMethodology............243.3ExplanationDemonstrate............25Chapter4UserStudy............294.1DepressionDetectionUserStudy............294.1.1Design............294.1.2ResultsandDiscussion............324.2ExplanationUserStudy............364.2.1Design............364.2.2ResultsandDiscussion............38Chapter5RelatedWorks............405.1DefinitionofDepression............405.2Pedesis–ADepressionDetectionSystem............425.3EmotionClassification............435.4TimeInformationinDepression............44Chapter6Conclusions............45Bibliography............47AppendixATop200depressionandsadfeatures............50 [1]WorldHealthOrganization.Depression.RetrievedJune27,2011,fromhttp://www.who.int/mental_health/management/depression/definition/en/.[2]J.L.Ayuso-Mateos,J.L.Vazquez-Barquero,C.Dowrick,V.Lehtinen,O.S.Dalgard,P.Casey,C.Wilkinson,L.Lasa,H.Page,G.DunnandG.Wilkinson.DepressiveDisordersinEurope:PrevalenceFiguresfromtheODINStudy.TheBritishJournalofPsychiatry,179,308-316,2001.[3]M.M.OhayonandS.C.Hong.PrevalenceofMajorDepressiveDisorderintheGeneralPopulationofSouthKorea.JournalofPsychiatryresearch,40,30-6,2006.[4]D.G.Blazer,R.C.Kessler,K.A.McGonagleandM.S.Swartz.ThePrevalenceandDistributionofMajorDepressioninaNationalCommunitySample:theNationalComorbiditySurvey.TheAmericanJournalofPsychiatry,151,979-986,1994.[5]PTT.RetrievedJune27,2011,fromhttp://www.ptt.cc/index.html.[6]Yahoo!斷章取義API.RetrievedJune27,2011,fromhttp://tw.developer.yahoo.com/cas/.[7]R.E.Fan,K.W.Chang.C.J.Hsieh.X.R.WangandC.J.Lin.LIBLINEAR:ALibraryforLargeLinearClassification.JournalofMachineLearningResearch,9,1871-1874.2008.[8]N.TintarevandJ.Masthoff.ASurveyofExplanationsinRecommenderSystems.InProceedingsoftheInternationalConferenceonDataEngineeringWorkshop,2007.[9]M.BilgicandR.J.Mooney.ExplainingRecommendations:Satisfactionvs.Promotion.InProceedingsoftheBeyondPersonalizationWorkshop,IUI,2005.[10]J.L.Herlocker,J.A.KonstanandJ.Riedl.ExplainingCollaborativeFilteringRecommendations.InProceedingsoftheACMConferenceonComputerSupportedCooperativeWork,241-250,2000.[11]I.Kononenko.MachineLearningforMedicalDiagnosis:History,StateoftheArtandPerspective.ArtificialIntelligenceinMedicine,23,89-109,2001.[12]J.SimandC.C.Wright.TheKappaStatisticinReliabilityStudies:Use,Interpretation,andSampleSizeRequirements.PhysicalTherapy,85,257-268,2005.[13]J.R.LandisandG.G.Koch.TheMeasurementofObserverAgreementforCategoricalData.Biometrics,33,159-174,1988.[14]Y.Neuman,G.Kedma,Y.CohenandO.Nave.UsingWeb-IntelligenceforExcavatingtheEmergingMeaningofTarget-Concepts.InProceedingsoftheIEEE/WIC/ACMInternationalConferenceonWebIntelligenceandIntelligentAgentTechnology,22-25,2010.[15]AmericanPsychiatricAssociation.DiagnosticandStatisticalManualofMentalDisorders,FourthEdition,TextRevision.AmericanPsychiatricAssociation,Washington,DC,2000.[16]G.E.Simon,M.VonKorff,M.Piccinelli,C.FullertonandJ.Ormel.AnInternationalStudyoftheRelationbetweenSomaticSymptomsandDepression.TheNewEnglandJournalofMedicine,341,1329-1335,1999.[17]M.H.Trivedi.TheLinkbetweenDepressionandPhysicalSymptoms.PrimaryCareCompaniontoTheJournalofClinicalPsychiatry,6,12-16,2004.[18]C.I.Hung,L.J.Weng.Y.J.SuandC.Y.Liu.DepressionandSomaticSymptomsScale:ANewScalewithBothDepressionandSomaticSymptomsEmphasized.PsychiatryandClinicalNeurosciences,60,700-708,2006.[19]L.Katz.SoftwareMightKnowIfYou’reDepressed.RetrievedJune27,2011,fromhttp://news.cnet.com/8301-17938_105-20008486-1.html?tag=mncol;title,23June,2010.[20]B.Pang,L.LeeandS.Vaithyanathan.ThumbsUp?SentimentClassificationusingMachineLearningTechniques.InProceedingsoftheConferenceonEmpiricalmethodsinNaturalLanguageProcessing,10,79-86,2002.[21]C.StrapparavaandR.Mihalcea.LearningtoIdentifyEmotionsinText.InproceedingsoftheACMSymposiumonAppliedComputing,1556-1560,2008.[22]G.Mishne.ExperimentswithMoodClassificationinBlogPosts.InProceedingsofthe1stWorkshoponStylisticAnalysisofTextForInformationAccess,2005.[23]M.R.EastwoodandS.Stiasny.PsychiatricDisorder,HospitalAdmission,andSeason.ArchivesofGeneralPsychiatry,35,769-771,1978.[24]G.Morken,S.LilleengandL.M.Linaker.SeasonalVariationinSuicidesandinAdmissionstoHospitalforManiaandDepression.JournalofAffectiveDisorders,69,39-45,2002.[25]M.Kerkhofs,P.Linkowski,F.LucasandJ.Mendelwicz.Twenty-Fore-HourPatternsofSleepinDepression.Sleep,14,501-506,1991.  國圖紙本論文 推文 網路書籤 推薦 評分 引用網址 轉寄                                                                                                                                                                                                                    top 相關論文 相關期刊 熱門點閱論文 無相關論文   1. 羅惠敏、陳美慧、林怡伶、柯雅妍、林錫卿(2007)。

影響哺餵母乳產婦社會支持與生活品質相關因素之探討。

蘭陽醫誌，2(2),37-142。

2. 黃寶萱、陳彰惠、王秀紅(2000)。

選擇不同哺餵方式的孕婦其哺餵母奶態度及社會支持。

護理研究，8(4)，383-394。

3. 楊秋鈴陳彰惠(2005)。

職業婦女持續哺餵母乳生活經驗的困境和因應行為。

實證護理，1(1)13-21。

4. 黃秀楨、陳楚芸、蔡昀璠、鄞玉珍、吳思瑩、陳靜誼(2007)。

臺南地區婦女對嬰兒哺餵方式之相關因素探。

華醫社會人文學報，45-53。

5. 莊麗蘭、曾瑛容(2007)。

職業婦女於公共場所的哺乳經驗。

實證護理，2(2) 6. 陳昭惠(2006)。

國內母乳哺育諮詢網絡之推展。

醫療品質雜誌，2(4)，30-34。

7. 高美華、林育靜(2006)。

母乳哺育餵與母嬰同室。

領導護理，7(1),42-46。

8. 高美玲、郭素珍、吳祥鳳(2005)。

營造職埸友善的哺乳環境-從醫院做起。

.護理雜誌，52(3)，15-20。

9. 林麗珠、許洪坤(2002)。

推展母嬰親善醫院政策之經驗分享。

榮總護理， 10. 林淑珊、李靜芳、簡莉盈(2004)。

母乳哺育與產前教育。

醫護教育學刊， 11. 戈依莉(2002)。

應用社會行銷概念推廣母乳哺餵。

護理雜誌，49(2)，70-74。

  1. 應用群眾智慧解決諮詢問題之探討:以PTT愛情相關看板為例 2. 探索憂鬱症患者情緒劇變的事件偵測 3. MDS文字雲：以Ptt八卦版為例 4. 網路成員之生活形態分析-以PTT平台為例 5. 半監督學習模型以改善標籤數稀少的中文新聞的立場偵測分類 6. 運用類神經網路建構憂鬱預測模型－以北部某大學新生為例 7. 運用文本探勘技術探討工作相關議題-以PTT為例 8. 使用隱空間校準實現非平行文本風格轉移 9. 就是關不掉—鄉民沉浸在PTT裡的使用經驗 10. 意在言外？微文本中情緒、合法性與反諷之辨識與分析 11. Facebook與PTT的輿論結構研究 12. 應用負面想法憂鬱模型預測網路使用者憂鬱傾向 13. 虛擬社群價值、人際吸引力、虛擬社群意識與黏著度關係之探討：以LINE和PTT為例 14. 以監督式學習演算法結合健保資料庫實現憂鬱及躁鬱患者篩檢預測模式 15. 應用商業智慧技術發展主動式學生憂鬱症預警系統     簡易查詢 | 進階查詢 | 熱門排行 | 我的研究室