李 靜，劉德喜，萬常選，劉喜平，邱祥慶，鮑力平，朱廷劭

(1. 江西財(cái)經(jīng)大學(xué) 信息管理學(xué)院，江西 南昌 330013；2. 福建江夏學(xué)院 電子信息科學(xué)學(xué)院，福建 福州 350108；3. 江西財(cái)經(jīng)大學(xué) 數(shù)據(jù)與知識(shí)工程江西省高校重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330013；4. 中國科學(xué)院 心理研究所，北京 100101)

0 引言

心理健康問題正迅速成為世界范圍內(nèi)最嚴(yán)重和最普遍的公共衛(wèi)生問題之一。世界衛(wèi)生組織提供的數(shù)據(jù)顯示，全球超過3.5億人受抑郁癥的影響[1]，每天約有3 000位抑郁癥患者自殺，每年自殺未遂者超過1 000萬人，由心理問題導(dǎo)致的自殺是年輕人死亡的三大主要因素之一[2]。抑郁和焦慮在全球人口中的患病率分別約為4.7%和7.3%[3]。這些數(shù)據(jù)反映了心理健康問題的嚴(yán)重性。因此，對(duì)心理健康問題及時(shí)評(píng)估和干預(yù)對(duì)提高個(gè)人生活質(zhì)量和促進(jìn)良好社會(huì)心態(tài)都具有重要意義。

傳統(tǒng)心理學(xué)研究對(duì)心理健康的評(píng)估主要借助于量表、問卷、身體檢測(cè)等方式來獲得個(gè)體心理和生理狀態(tài)的基本信息，在信度和效度上都有不俗的表現(xiàn)，但存在侵入式、費(fèi)時(shí)費(fèi)力、報(bào)告偏差、適時(shí)性差、難以長(zhǎng)期連續(xù)追蹤等局限性[4]。社會(huì)網(wǎng)絡(luò)的興起為心理科學(xué)的發(fā)展提供了新的契機(jī)。用戶可以在社交網(wǎng)絡(luò)平臺(tái)上便捷、匿名地表達(dá)自己的觀點(diǎn)、情緒、感受和想法，也可以通過評(píng)論帖子和建立對(duì)話來與其他用戶互動(dòng)，尋求或提供在線幫助，由此產(chǎn)生出大量關(guān)于社會(huì)網(wǎng)絡(luò)用戶的行為數(shù)據(jù)以及用戶發(fā)布的內(nèi)容數(shù)據(jù)。這使得社會(huì)網(wǎng)絡(luò)成為研究抑郁、自我傷害、自殺意念等心理健康問題的一個(gè)重要數(shù)據(jù)來源[5]。通過社會(huì)網(wǎng)絡(luò)數(shù)據(jù)對(duì)用戶的心理健康進(jìn)行評(píng)估具有可用數(shù)據(jù)豐富、適時(shí)性強(qiáng)、無侵入、可長(zhǎng)期跟蹤、評(píng)估對(duì)象覆蓋廣、方便存儲(chǔ)計(jì)算等優(yōu)勢(shì)[6]，能夠有效地克服傳統(tǒng)心理健康評(píng)估方法的局限性。

利用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)分析社會(huì)網(wǎng)絡(luò)用戶心理健康的研究正吸引著心理學(xué)領(lǐng)域和計(jì)算機(jī)領(lǐng)域的學(xué)者的關(guān)注，相關(guān)的研究成果日益豐富，但對(duì)已有成果系統(tǒng)評(píng)述的文獻(xiàn)卻不多見。本文對(duì)社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估的相關(guān)文獻(xiàn)進(jìn)行評(píng)述，主要內(nèi)容包括: 在現(xiàn)有文獻(xiàn)基礎(chǔ)上總結(jié)歸納了社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估的概念、界定及研究框架；梳理了社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估任務(wù)及數(shù)據(jù)收集與預(yù)處理；然后分析比較了現(xiàn)有研究方法的異同；提出了現(xiàn)有研究存在的不足及其他亟待解決的相關(guān)問題。

1 概念與界定

1.1 心理健康的問題類型

國內(nèi)外學(xué)者對(duì)于心理健康的內(nèi)涵和標(biāo)準(zhǔn)有著不同角度的論述，這反映了人們對(duì)于心理健康的認(rèn)識(shí)的不一致性。原因在于心理健康認(rèn)定的標(biāo)準(zhǔn)比較抽象，例如美國心理學(xué)家馬斯洛和米特爾曼提出心理健康十條標(biāo)準(zhǔn)，并指出心理健康的標(biāo)準(zhǔn)與年齡、性別、文化、宗教信仰，甚至國家或地域都有關(guān)系。心理健康狀態(tài)可分為健康狀態(tài)、不良狀態(tài)、心理障礙和心理疾病四個(gè)等級(jí)。在總結(jié)現(xiàn)有文獻(xiàn)的基礎(chǔ)上，本文將心理健康問題狹義地定義為抑郁、焦慮、自殺意念及與心理狀態(tài)有密切關(guān)系的人格障礙、情緒困擾等心理問題。表1匯總了現(xiàn)有文獻(xiàn)中較典型的心理健康問題類型和臨床描述。

表1 心理健康問題類型和臨床描述

1.2 心理健康自動(dòng)評(píng)估的界定

心理評(píng)估是依據(jù)心理學(xué)的理論和方法對(duì)人的心理品質(zhì)及水平所做出的一種鑒定。在應(yīng)用心理學(xué)中經(jīng)常用心理診斷的概念，它指對(duì)人的心理活動(dòng)和人格特征做出性質(zhì)和程度的判斷和鑒別。本文中，心理健康的評(píng)估就是對(duì)人的抑郁、自殺意念、焦慮及與心理狀態(tài)有密切關(guān)系的人格障礙、情緒困擾等心理問題和現(xiàn)象狀態(tài)的鑒定和描述。

隨著計(jì)算機(jī)科學(xué)與技術(shù)、人工智能、大數(shù)據(jù)、社會(huì)網(wǎng)絡(luò)的發(fā)展，傳統(tǒng)心理學(xué)研究范式產(chǎn)生了變革，學(xué)者越來越依賴數(shù)據(jù)科學(xué)與技術(shù)以探索個(gè)體或群體的心理和行為規(guī)律。因此，心理健康自動(dòng)評(píng)估就是依據(jù)數(shù)據(jù)科學(xué)與技術(shù)對(duì)人的心理問題和狀態(tài)的自動(dòng)鑒定和描述。這種自動(dòng)評(píng)估有助于快速定位有心理困擾的個(gè)人，自動(dòng)識(shí)別用戶心理問題的嚴(yán)重程度，并及時(shí)關(guān)注和幫助有問題的個(gè)人或群體。本文聚焦的社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估是指，利用機(jī)器學(xué)習(xí)、自然語言處理等技術(shù)對(duì)用戶生成的社會(huì)網(wǎng)絡(luò)數(shù)據(jù)自動(dòng)檢測(cè)和分析，識(shí)別、鑒定用戶的心理健康狀態(tài)、問題類型和程度。

1.3 社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估可信度

由于心理健康狀態(tài)、問題類型和程度的動(dòng)態(tài)性和復(fù)雜性，社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估是一項(xiàng)復(fù)雜的任務(wù)。近年來，隨著社會(huì)網(wǎng)絡(luò)平臺(tái)成為人們生活中不可分割的一部分，這一研究領(lǐng)域也開始演變。研究表明，從用戶社會(huì)網(wǎng)絡(luò)數(shù)據(jù)中提取的許多信息可以幫助心理健康專家評(píng)估用戶心理問題的嚴(yán)重程度，并更好地組織治療過程[10]。因此，社會(huì)網(wǎng)絡(luò)數(shù)據(jù)為人類行為提供了一個(gè)獨(dú)特的、可量化的視角，而這些視角可能是其他方式無法觀察到的。Ernala等人[6]近期的實(shí)證研究表明，建立在這些社會(huì)網(wǎng)絡(luò)數(shù)據(jù)上的自動(dòng)預(yù)測(cè)模型雖然具有很強(qiáng)的內(nèi)部效度，但在對(duì)患者進(jìn)行測(cè)試時(shí)，其外部效度較差。然而，這種大規(guī)模的用戶生成內(nèi)容提供了一個(gè)機(jī)會(huì)，以前所未有的水平了解潛在的心理健康狀況的機(jī)制。相關(guān)研究已經(jīng)證實(shí)了使用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)自動(dòng)評(píng)估用戶心理健康是有效可行的[6-7,9]。

1.4 社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估框架

利用各類社會(huì)網(wǎng)絡(luò)數(shù)據(jù)自動(dòng)評(píng)估用戶的心理健康，被認(rèn)為是一項(xiàng)復(fù)雜的任務(wù)，吸引著越來越多來自計(jì)算機(jī)科學(xué)和心理學(xué)領(lǐng)域的學(xué)者。國際計(jì)算語言學(xué)年會(huì)從2014年開始增加關(guān)于計(jì)算語言學(xué)與臨床心理學(xué)的研討會(huì)CLPsych(http://clpsych.org)，每年舉辦一次，推動(dòng)了社會(huì)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動(dòng)的心理健康自動(dòng)評(píng)估研究。然而由于隱私、機(jī)密性與偏見研究的存在，以及模型的不足、專業(yè)知識(shí)的缺失或利用不充分，自動(dòng)檢測(cè)和預(yù)防潛在的心理健康問題仍然是一個(gè)重大挑戰(zhàn)。

目前，利用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行心理健康自動(dòng)評(píng)估的研究，大部分采用的主要框架是在確定心理健康評(píng)估任務(wù)后，從社會(huì)網(wǎng)絡(luò)上采集用戶數(shù)據(jù)，并對(duì)數(shù)據(jù)背后的用戶心理健康狀況進(jìn)行人工標(biāo)注，或者通過用戶填寫自評(píng)量表的方式進(jìn)行標(biāo)注，再從數(shù)據(jù)中提取特征送入分類或回歸等機(jī)器學(xué)習(xí)模型中訓(xùn)練和測(cè)試，并對(duì)模型或特征進(jìn)行評(píng)估和改進(jìn)，最后將模型應(yīng)用到實(shí)際的應(yīng)用系統(tǒng)中，如圖1所示。

圖1 社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估框架

2 社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估任務(wù)

利用社會(huì)網(wǎng)絡(luò)進(jìn)行心理健康自動(dòng)評(píng)估時(shí)，評(píng)估任務(wù)涉及心理健康問題的多個(gè)方面，主要集中在抑郁癥和自殺風(fēng)險(xiǎn)兩方面，也包括壓力、創(chuàng)傷后應(yīng)激障礙、焦慮等其他心理困擾方面，如表2所示(按時(shí)間列出以方便讀者看到其變化)。

表2 社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估代表文獻(xiàn)

續(xù)表

2.1 抑郁癥自動(dòng)評(píng)估

抑郁癥自動(dòng)評(píng)估主要是評(píng)估社會(huì)網(wǎng)絡(luò)用戶是否有抑郁傾向以及抑郁的嚴(yán)重程度。由于社交媒體經(jīng)常被用來表達(dá)情感、感受，因此用戶的活動(dòng)記錄和生成內(nèi)容是用來識(shí)別用戶抑郁癥狀的一個(gè)很有效的信息來源。

國外學(xué)者對(duì)社會(huì)網(wǎng)絡(luò)用戶的抑郁傾向自動(dòng)評(píng)估關(guān)注較早，成果豐富。有學(xué)者通過分析社會(huì)網(wǎng)絡(luò)平臺(tái)上抑郁癥用戶區(qū)別于對(duì)照組用戶發(fā)布內(nèi)容的語言使用特征和方式來檢測(cè)抑郁癥[55]。后來，社會(huì)網(wǎng)絡(luò)用戶的活動(dòng)記錄常被用于評(píng)估抑郁程度[11]。越來越多的學(xué)者利用社會(huì)網(wǎng)絡(luò)中更豐富的數(shù)據(jù)來預(yù)測(cè)或檢測(cè)抑郁癥、抑郁情緒或抑郁風(fēng)險(xiǎn)[14,21-22]。

國內(nèi)相關(guān)研究起步較晚，但也取得了一定的成果。中科院心理所朱廷劭團(tuán)隊(duì)通過提取社會(huì)網(wǎng)絡(luò)用戶的語言和行為特征，分別建立了分類和回歸模型[56]。結(jié)果顯示，用戶的抑郁癥可以通過社會(huì)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)。后來他們又提出了一種通過網(wǎng)絡(luò)行為時(shí)頻分析來檢測(cè)抑郁癥的新方法[57]。不同于使用完全公開的社會(huì)網(wǎng)絡(luò)數(shù)據(jù)，劉德喜等人[35]探討了利用準(zhǔn)私密社交網(wǎng)絡(luò)(如QQ空間、微信朋友圈等)數(shù)據(jù)檢測(cè)抑郁用戶的可行性。

2.2 自殺風(fēng)險(xiǎn)自動(dòng)評(píng)估

自殺風(fēng)險(xiǎn)自動(dòng)評(píng)估是指識(shí)別社會(huì)網(wǎng)絡(luò)平臺(tái)用戶的自殺意念、自殺傾向或自殺風(fēng)險(xiǎn)因素，做出個(gè)體是否可能自殺的判斷。

國外學(xué)者早期工作試圖分析自殺遺書內(nèi)容來預(yù)測(cè)自殺風(fēng)險(xiǎn)[58]。隨后涌現(xiàn)大量關(guān)注社會(huì)網(wǎng)絡(luò)數(shù)據(jù)成功預(yù)測(cè)自殺風(fēng)險(xiǎn)的工作。Burnap等人[25]對(duì)社會(huì)媒體文本進(jìn)行分類，識(shí)別文本中的自殺意念，并分析自殺意念的先兆特征，以幫助解釋感知自殺的社交媒體用戶使用的語言。Gaur等人[10]將領(lǐng)域特定的知識(shí)引入深度學(xué)習(xí)框架，預(yù)測(cè)自殺風(fēng)險(xiǎn)。

國內(nèi)相關(guān)研究仍主要來自中科院心理所朱廷劭團(tuán)隊(duì)，包括社會(huì)網(wǎng)絡(luò)上自殺死亡與無自殺意念者行為和語言的差異、識(shí)別他們的可能性以及識(shí)別模型等[13, 26, 41, 52]。Guan等人[13]研究了基于互聯(lián)網(wǎng)訪問數(shù)據(jù)自動(dòng)識(shí)別中國高自殺可能性微博用戶的可行性和有效性。田瑋等人[41]對(duì)新浪微博文本構(gòu)建了自殺識(shí)別器，準(zhǔn)確率可以達(dá)到94%以上。

2.3 其他心理健康問題自動(dòng)評(píng)估

除了對(duì)抑郁、自殺意念或自殺風(fēng)險(xiǎn)等心理問題的自動(dòng)評(píng)估任務(wù)，還有一些學(xué)者利用公共社交媒體數(shù)據(jù)和社會(huì)網(wǎng)絡(luò)文本進(jìn)行其他心理健康問題類型的自動(dòng)評(píng)估，包括: 壓力[30,54]、創(chuàng)傷后應(yīng)激障礙(PTSD)[24,59]、焦慮[27]、飲食障礙[9,18]、精神分裂癥[6,60]等。也有學(xué)者對(duì)多種心理健康問題同時(shí)評(píng)估[7]。

在計(jì)算語言學(xué)與臨床心理學(xué)工作組(CLPsych)的推動(dòng)下，利用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行“自我傷害”心理問題自動(dòng)評(píng)估研究也取得了大量成果[17,20,22,28,32,38,53]。CLPsych將社會(huì)網(wǎng)絡(luò)論壇文本的心理健康狀態(tài)自動(dòng)分類為四種不同嚴(yán)重程度: 綠色類帖子(Green,沒有顯示任何關(guān)于自我傷害的跡象或討論)、琥珀類帖子(Amber,包含很可能會(huì)顯示有心理問題跡象的線索)、紅色類帖子(Red,表明用戶正遭受較為嚴(yán)重的困擾)和危機(jī)類帖子(Crisis,表明用戶即將面臨自我傷害的風(fēng)險(xiǎn)，需要及時(shí)干預(yù))。

3 社交網(wǎng)絡(luò)用戶數(shù)據(jù)收集與預(yù)處理

3.1 數(shù)據(jù)收集與標(biāo)注

基于社會(huì)網(wǎng)絡(luò)數(shù)據(jù)自動(dòng)評(píng)估心理健康的研究中，數(shù)據(jù)來源涵蓋了主要的社會(huì)網(wǎng)絡(luò)平臺(tái)，包括Twitter[7,9,11-12,14,16-17,19,22,24,32,37,39]、Facebook[6]、Reddit[10,21,27,31,33,38-39,43,46]、ReachOut[20-21,28,53]、Tumblr[25]、Instagram[18,23,34]、新浪騰訊微博[1,13,26,41,56-57]、微信朋友圈[35]、博客[42,61]等。其中相對(duì)來說更受研究者青睞的數(shù)據(jù)來源是Twitter、Reddit、微博等，這些平臺(tái)本身非常流行，活躍用戶量非常大，聚集了大量用戶生成內(nèi)容，便于收集和分析。

在社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估研究中，數(shù)據(jù)收集和標(biāo)注的方式主要有三種。一種是通過社會(huì)網(wǎng)絡(luò)平臺(tái)或亞馬遜的Mechanical Turk網(wǎng)站等眾包平臺(tái)招募社會(huì)網(wǎng)絡(luò)用戶參與調(diào)查(如抑郁量表、自殺概率量表、創(chuàng)傷篩查問卷等)，在要求提供知情同意的情況下收集用戶相應(yīng)時(shí)間段的社會(huì)網(wǎng)絡(luò)數(shù)據(jù)[11,13,16,23-24,34,56]。這種方式通常以調(diào)查結(jié)果作為心理健康等級(jí)或程度的標(biāo)注依據(jù)。另一種是從現(xiàn)有的公共在線資源收集數(shù)據(jù)，主要是通過關(guān)鍵字或正則表達(dá)式搜索提及自我報(bào)告或聲明被診斷為心理問題的相關(guān)帖子，如“我被診斷出患有×××癥”[14,21,25,31,33]，調(diào)用相應(yīng)的社會(huì)網(wǎng)絡(luò)平臺(tái)應(yīng)用程序接口(API)收集用戶的社會(huì)網(wǎng)絡(luò)數(shù)據(jù)。這種方式通常以自我聲明作為用戶心理健康社會(huì)網(wǎng)絡(luò)數(shù)據(jù)的標(biāo)注依據(jù)。第三種是在收集社會(huì)網(wǎng)絡(luò)平臺(tái)上的數(shù)據(jù)(通常是文本)后，由受過培訓(xùn)的專業(yè)人員或心理專家，在閱讀數(shù)據(jù)的基礎(chǔ)上人工判斷并標(biāo)注文本是否反映了其作者的某種心理問題[5,17,20,22,27,29,32,38,44]。

在構(gòu)建數(shù)據(jù)集的過程中，三種數(shù)據(jù)標(biāo)注的方式存在一定的差異，各有優(yōu)缺點(diǎn)。第一種采用量表結(jié)果作為心理健康等級(jí)的方式，可以得到相對(duì)可靠的結(jié)果，具有較高的有效性，但并非所有參與調(diào)查的用戶都能準(zhǔn)確地或自愿地報(bào)告自己的心理健康狀態(tài)。第二種方式采用自我報(bào)告作為心理健康狀態(tài)類別標(biāo)簽，減少了識(shí)別心理問題用戶的時(shí)間和成本，而且具有更大樣本量所具有的優(yōu)勢(shì)，比通過調(diào)查收集數(shù)據(jù)更快、更便宜，但也存在不一定真實(shí)可信的情況。第三種人工標(biāo)注的方式不直接依賴社會(huì)網(wǎng)絡(luò)用戶，樣本規(guī)模容易控制，標(biāo)注質(zhì)量較好，但人工標(biāo)注主觀性強(qiáng)，而且由于數(shù)據(jù)量大，比較耗時(shí)費(fèi)力。

對(duì)心理問題等級(jí)或程度的劃分通常有兩種形式。一種是二元?jiǎng)澐?，如果帖子的作者明顯有抑郁傾向或自殺的想法，那么這個(gè)帖子就被標(biāo)記為1；否則被標(biāo)記為0[1,39-41,43,47,49]。另一種是多元?jiǎng)澐?，將帖子?biāo)注為心理問題的不同嚴(yán)重程度[20-21,28,38,42,44,50,52-53]，如無、低度、中度、高度風(fēng)險(xiǎn)四個(gè)級(jí)別。除了按心理問題程度劃分外，也有研究[25]根據(jù)任務(wù)需要，按與自殺相關(guān)的不同類型對(duì)帖子進(jìn)行劃分，分為可能有自殺意圖的證據(jù)、運(yùn)動(dòng)請(qǐng)?jiān)浮⑤p率地提及自殺、信息或支持、紀(jì)念或哀悼、自殺的報(bào)道、其他等。

3.2 數(shù)據(jù)預(yù)處理

對(duì)收集的數(shù)據(jù)進(jìn)行清洗和必要的預(yù)處理是數(shù)據(jù)收集階段的必要步驟。數(shù)據(jù)清洗是去除不符合要求的數(shù)據(jù)，例如，刪除發(fā)布總數(shù)少于100個(gè)有效帖子的用戶[1,19]、刪除任何潛在的可識(shí)別用戶名[14,17,28]、過濾掉不表達(dá)自己觀點(diǎn)的轉(zhuǎn)發(fā)帖子[1]等。預(yù)處理則根據(jù)任務(wù)的需要和特征提取的需要，通常包括: 去除停用詞和標(biāo)點(diǎn)符號(hào)[1,15,27,32,40,46],刪除所有的HTTP鏈接和多余空格等[1],刪除所有的轉(zhuǎn)發(fā)[22]、URL[17,19,22,46]、@提到[22,41]和所有非字母數(shù)字字符[32,38],將表情符號(hào)和表情符號(hào)對(duì)應(yīng)的文本進(jìn)行轉(zhuǎn)換[20,38,53],分詞[32,35,41],應(yīng)用詞干提取將單詞簡(jiǎn)化為詞根形式[46],創(chuàng)建詞匯表[32]等等。

3.3 特征提取與選擇

特征提取與選擇是從原始特征中提取和選擇出一些有效特征，以降低數(shù)據(jù)集維度并提升評(píng)估性能的過程。對(duì)于后續(xù)的分類模型來說，特征的提取與選擇起著決定性作用。已有文獻(xiàn)中，用于心理健康自動(dòng)評(píng)估的特征可以歸入以下三類: 用戶特征、文本特征、圖像特征。

3.3.1 用戶特征

根據(jù)社交媒體網(wǎng)站的特點(diǎn)，用戶特征主要包括用戶屬性、用戶行為、用戶互動(dòng)關(guān)系三個(gè)方面的特征。研究表明，用戶在社會(huì)網(wǎng)絡(luò)平臺(tái)上的注冊(cè)信息、活躍程度、行為習(xí)慣和社會(huì)關(guān)系都與用戶心理健康狀態(tài)緊密相關(guān)。

用戶屬性特征描述了用戶在社會(huì)網(wǎng)絡(luò)平臺(tái)上的整體形象，主要包括用戶帖子數(shù)量、關(guān)注(好友)數(shù)量、粉絲數(shù)量、注冊(cè)天數(shù)、性別、年齡、級(jí)別和地區(qū)代碼等[1,9,19-20,22,50]。用戶行為特征刻畫了用戶在社會(huì)網(wǎng)絡(luò)平臺(tái)上的行為表現(xiàn)[1,28,35,37,53]，如用戶在社交網(wǎng)絡(luò)平臺(tái)上發(fā)帖、點(diǎn)贊、評(píng)論、關(guān)注等行為，反映在發(fā)帖頻率[11,19]，點(diǎn)贊或評(píng)論、轉(zhuǎn)發(fā)頻率(或數(shù)量)[11]，被提及頻率[19]，在社交網(wǎng)絡(luò)平臺(tái)上的活躍時(shí)間段[28]，關(guān)注(好友)等特征上。此外，社會(huì)網(wǎng)絡(luò)平臺(tái)包含了數(shù)百萬用戶之間的交互和關(guān)系[44]。用戶互動(dòng)關(guān)系特征是指用戶與外部世界交互的方式[9]，如用戶是否傾向于關(guān)注各種主題或特定的主題，用戶是否喜歡與不同的人或特定的人互動(dòng)，用戶與他人互動(dòng)的形式(提及和回復(fù))，用戶與他人的親密度，用戶的社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)特征等。

3.3.2 文本特征

文本特征主要包括詞匯、語法、句法、語義等用于刻畫用戶發(fā)布的文本內(nèi)容各方面特點(diǎn)的特征。不同心理健康狀態(tài)的用戶在語言表達(dá)、用詞風(fēng)格等方面有著較大差異。從文本文檔中檢測(cè)心理健康狀況已經(jīng)成為一個(gè)越來越重要的研究領(lǐng)域[62]。

詞典是提取文本語言特征時(shí)的常用資源。如語言查詢和單詞計(jì)數(shù)(LIWC)詞典在文本分析中得到了很好的驗(yàn)證和廣泛的應(yīng)用[5-6,33,43,46,53]。除LIWC外，已有的研究中使用較多的詞典是情感詞典。英文情感詞典有l(wèi)abMT[10]、ANEW[34]、SentiWordNet[36]、AFINN[10]、NRC Word-Emotion Association Lexicon[33,38]等；漢語情感詞典有SCLIWC[52]、知網(wǎng)HowNet[63]、中文情感詞匯本體CALO[1]等。其中SCLIWC是LIWC的簡(jiǎn)體中文版本，它由7個(gè)主要類別和64個(gè)子類別組成[52]。HowNet主要用于粗粒度的情感分析，如正面或負(fù)面情感，而CALO主要用于細(xì)粒度的情感分析[1]。

在表示文本內(nèi)容方面，常用的特征是N-Gram和主題。N-Gram特征[46,53,63-64]的基本思想是將文本內(nèi)容按照字母、字或詞進(jìn)行大小為n的滑動(dòng)窗口操作，形成長(zhǎng)度為n的片段序列，使用詞頻逆文檔頻率(TF-IDF)對(duì)片段進(jìn)行加權(quán)，用于表示文本內(nèi)容。主題建模技術(shù)如潛在狄利克雷分布(LDA)被用于從用戶生成的帖子中提取主題特征[11,46,50,53,63-64]。給定文檔集和主題數(shù)量，使用LDA從每個(gè)帖子中提取主題，然后計(jì)算每個(gè)帖子屬于每個(gè)主題的概率，用于表示文本的內(nèi)容。

隨著深度學(xué)習(xí)的廣泛應(yīng)用，越來越多的研究采用基于詞向量的特征提取技術(shù)。分布式表示方法能夠保存文本中的語義信息，在許多自然語言處理任務(wù)中得到廣泛應(yīng)用。詞向量模型如Word2Vec[32,53,63]、Doc2Vec[27]、BERT[50,64]等被用于提取詞嵌入特征，從而更好地利用上下文信息。Word2Vec通過訓(xùn)練大量的語料最終用固定維度的向量來表示每個(gè)詞語，詞語之間語義和語法相似度都可以通過向量的相似度來表示。Doc2Vec是Word2Vec的拓展，可以獲得句子、段落的向量表示。BERT模型進(jìn)一步增加詞向量模型泛化能力，充分描述字符級(jí)、詞級(jí)、句子級(jí)，甚至句間關(guān)系特征。

其他文本特征，如詞性頻數(shù)[33]、句法特征[63]、可讀性[10,33]等也有文獻(xiàn)使用。有少量文獻(xiàn)提取了文本的統(tǒng)計(jì)特征[40,50]，如文本的長(zhǎng)度，帖子中單詞、短語、字符、句子和段落的數(shù)量等。從用戶發(fā)帖的上下文可以捕捉到用戶思想的發(fā)展變化[20,28]，其也是近來被提取的重要特征，如考慮用戶以前的帖子，以及周圍其他用戶的(以前和下一個(gè))帖子。此外，社交媒體上的帖子往往含有豐富的網(wǎng)絡(luò)用語和表情符號(hào)[1]。

3.3.3 圖像特征

除了發(fā)布文本，社交媒體平臺(tái)還允許用戶發(fā)布圖像。已有的研究大多將圖像特征與文本特征結(jié)合使用，來評(píng)估用戶的心理健康狀態(tài)[48]。如Reece等人[23]利用圖像中三種顏色屬性(色調(diào)、飽和度、明度)的值(HSV值)作為區(qū)分抑郁癥用戶的圖像特征。Manikonda等人[65]除了利用圖像視覺特征如顏色、亮度、色溫等，還利用了圖像的主題和情感兩種視覺屬性。Kang等人[66]采用顏色組合和尺度變換、特征描述符技術(shù)提取用戶發(fā)布圖片的情感意義。研究表明[65]，使用圖像來滿足獨(dú)特的自我表露需求，在數(shù)量和質(zhì)量上都與通過文本形式共享的內(nèi)容不同，可以用來作為心理健康自動(dòng)評(píng)估的重要特征之一。

4 社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估模型構(gòu)建

利用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)對(duì)用戶心理健康進(jìn)行自動(dòng)評(píng)估的研究多采用有監(jiān)督機(jī)器學(xué)習(xí)模型中的分類模型，選擇一組選定的特征，從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)模式并提供預(yù)測(cè)輸出。自動(dòng)評(píng)估方法主要是傳統(tǒng)機(jī)器學(xué)習(xí)方法和近年來流行的深度學(xué)習(xí)方法。這兩類方法的差異性主要在于傳統(tǒng)機(jī)器學(xué)習(xí)方法依賴于特征工程，而深度學(xué)習(xí)方法主要依賴于嵌入。

4.1 基于特征工程的分類模型

已有的研究選擇使用的機(jī)器學(xué)習(xí)模型有簡(jiǎn)有繁、種類繁多，其中支持向量機(jī)(SVM)被廣泛采用[1,6,10,38,42,52-53]，包括線性SVM[10,42]、多項(xiàng)式SVM[42]、徑向基核函數(shù)SVM[10,43,67]等。另一種被經(jīng)常采用的模型是各種回歸模型，如線性回歸[34,61]、邏輯回歸(LR)[6,40,43,46,50,52]、彈性網(wǎng)絡(luò)正則化回歸[34]、正則多項(xiàng)式邏輯回歸[18]等。其他分類算法還有決策樹(DT)[52]、隨機(jī)森林(RF)[6,10,39,40,43,46,52]、規(guī)則決策[40]、樸素貝葉斯[5]等。

傳統(tǒng)機(jī)器學(xué)習(xí)分類模型都需要在對(duì)數(shù)據(jù)統(tǒng)計(jì)分析的基礎(chǔ)上，提取和選擇有利于區(qū)分類別的特征，特征工程的效果直接影響分類結(jié)果。已有的研究表明[46]，通過選擇合適的特征及對(duì)多種特征組合，可以提高分類性能。

然而，這種人工設(shè)計(jì)特征的方式，需要研究人員對(duì)心理健康自動(dòng)評(píng)估問題有深刻的理解和豐富的經(jīng)驗(yàn)，這會(huì)消耗大量的人力和時(shí)間，即便如此也往往很難獲得有效的特征。

基于特征工程的分類模型是預(yù)測(cè)心理特征和情緒以及檢測(cè)評(píng)估心理健康狀態(tài)最廣泛使用的方法，已被應(yīng)用于不同類型的心理問題自動(dòng)評(píng)估領(lǐng)域。很多文獻(xiàn)通過實(shí)驗(yàn)從不同角度比較了這些模型在心理健康自動(dòng)評(píng)估中的效果。在前述已有研究選擇的機(jī)器學(xué)習(xí)模型中，通常SVM的效果優(yōu)于其他方法。

4.2 基于深度學(xué)習(xí)的分類模型

隨著深度神經(jīng)網(wǎng)絡(luò)在其他領(lǐng)域的成功應(yīng)用，近年來，有學(xué)者將深度神經(jīng)網(wǎng)絡(luò)模型用于心理健康自動(dòng)評(píng)估中[29,32-33,36,41,50]。如田瑋等人[41]驗(yàn)證了多層感知機(jī)(MLP)模型比隨機(jī)森林和樸素貝葉斯方法具有更高的識(shí)別準(zhǔn)確率。

與傳統(tǒng)機(jī)器學(xué)習(xí)分類模型相比，使用詞嵌入的深度學(xué)習(xí)非常方便，即使沒有復(fù)雜的特征工程，通常也能獲得較好的結(jié)果。如Orabi等人[32]預(yù)訓(xùn)練了Word2Vec的兩個(gè)詞嵌入模型，送入卷積神經(jīng)網(wǎng)絡(luò)CNN和循環(huán)神經(jīng)網(wǎng)絡(luò)RNN，F(xiàn)1值達(dá)到86.967%。Mohammadi等人[51]使用GLOVE和ELMo作為預(yù)訓(xùn)練詞嵌入向量，輸入神經(jīng)網(wǎng)絡(luò)模型，在CLPsych 2019共享任務(wù)中獲得兩個(gè)任務(wù)排名第一的結(jié)果。Matero等人[50]使用了雙上下文BERT嵌入方法，在測(cè)試集上優(yōu)于其他方法。

最常用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是用戶級(jí)或帖子級(jí)的CNN[10,21,30,32-33]。如Orabi等人[32]在Word2Vec詞嵌入基礎(chǔ)上構(gòu)建了四個(gè)神經(jīng)網(wǎng)絡(luò)模型(最大池化層的CNN、多通道CNN、多通道池化CNN、帶有注意力機(jī)制的雙向LSTM)，在兩個(gè)不同數(shù)據(jù)集上的實(shí)驗(yàn)表明，基于CNN的模型性能優(yōu)于基于RNN的模型。

其他經(jīng)常使用的架構(gòu)是長(zhǎng)短時(shí)記憶(LSTM)網(wǎng)絡(luò)[40,47,50]。與RNN相比，LSTM模型對(duì)噪聲的魯棒性更強(qiáng)，并且能夠更好地捕捉序列中的長(zhǎng)期依賴關(guān)系。如Sawhney等人[40]的實(shí)驗(yàn)結(jié)果表明，LSTM在同等的條件下獲得了最高的召回率。

盡管深度神經(jīng)網(wǎng)絡(luò)表現(xiàn)良好，但由于模型的可解釋性差，無法通過模型來解釋為什么某些人被診斷為×××癥，但可解釋性對(duì)于后續(xù)的具體診斷和預(yù)防研究卻是至關(guān)重要的。針對(duì)這個(gè)問題，Song等人[36]提出了一種特征注意網(wǎng)絡(luò)(FAN)，使用了四種從心理學(xué)研究中提取的抑郁癥強(qiáng)指標(biāo)，并針對(duì)性地開發(fā)了四種神經(jīng)網(wǎng)絡(luò)模型。該模型雖然計(jì)算能力有限，但具有良好的性能和較高的可解釋性。

由于上述提及的各種方法針對(duì)的任務(wù)、使用的數(shù)據(jù)集和選擇的特征差異較大，各模型的性能對(duì)比有較大的挑戰(zhàn)性(如5.1節(jié)所示)，本文不再對(duì)它們的性能做詳盡的對(duì)比分析。

5 問題和挑戰(zhàn)

社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估的問題越來越被心理學(xué)、計(jì)算機(jī)、臨床醫(yī)學(xué)乃至管理學(xué)等專業(yè)的學(xué)者關(guān)注，取得了不少成果，但現(xiàn)有研究還存在一些局限和挑戰(zhàn)。

5.1 評(píng)估性能問題

對(duì)社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估方法的評(píng)價(jià)指標(biāo)有精度(P)、召回率(R)、F1值和準(zhǔn)確率(Acc)等。相同的任務(wù)和方法，在不同的數(shù)據(jù)集上可能產(chǎn)生不同的結(jié)果。如對(duì)于自殺風(fēng)險(xiǎn)評(píng)估任務(wù)，現(xiàn)有研究的評(píng)估準(zhǔn)確率大多在80%以上，少數(shù)達(dá)到95%[39]，也有文獻(xiàn)中只能達(dá)到59%[50]。這跟數(shù)據(jù)集大小、數(shù)據(jù)標(biāo)注方式和標(biāo)注質(zhì)量、類別標(biāo)簽的設(shè)定、預(yù)處理、參數(shù)設(shè)置、特征選擇等有很大關(guān)系。不同的文獻(xiàn)存在著諸多方面的差異，表3給出了不同任務(wù)上表現(xiàn)較好的評(píng)測(cè)結(jié)果。

表3 社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估部分代表性文獻(xiàn)性能對(duì)比

如前所述，每一種方法都有其特點(diǎn)，其性能取決于研究目的和數(shù)據(jù)性質(zhì)。因此，對(duì)于社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估方法的好壞無法一概而論，不能說一個(gè)特定的算法在任何時(shí)候都適用于所有任務(wù)或數(shù)據(jù)集。研究人員需要對(duì)算法的選擇保持謹(jǐn)慎，闡明他們選擇的依據(jù)，并在恰當(dāng)?shù)臄?shù)據(jù)集上進(jìn)行評(píng)測(cè)。

雖然各種機(jī)器學(xué)習(xí)模型在實(shí)驗(yàn)集上可能看起來很有前途，但這些評(píng)測(cè)結(jié)果大都是基于“封閉測(cè)試”得到的，其中數(shù)據(jù)集中的正負(fù)樣本數(shù)量也是相對(duì)均衡的，因此，在實(shí)際環(huán)境中部署可能會(huì)帶來新的挑戰(zhàn)。

5.2 數(shù)據(jù)質(zhì)量問題

數(shù)據(jù)量大毫無疑問是社會(huì)網(wǎng)絡(luò)數(shù)據(jù)的一大優(yōu)勢(shì)，但相關(guān)研究的技術(shù)難點(diǎn)是如何保證海量數(shù)據(jù)的質(zhì)量。數(shù)據(jù)質(zhì)量問題來自兩個(gè)方面，數(shù)據(jù)源質(zhì)量和數(shù)據(jù)標(biāo)注質(zhì)量。

數(shù)據(jù)源方面。社會(huì)網(wǎng)絡(luò)用戶數(shù)據(jù)具有多源異構(gòu)、動(dòng)態(tài)性、交互性等特點(diǎn)，也有噪聲數(shù)據(jù)多、價(jià)值密度低等特征，這使得在關(guān)于社會(huì)網(wǎng)絡(luò)用戶心理健康評(píng)估的研究中數(shù)據(jù)質(zhì)量參差不齊。另外，社會(huì)網(wǎng)絡(luò)用戶數(shù)據(jù)雖然樣本量大，但大量無關(guān)心理健康問題的用戶數(shù)據(jù)，可能造成混淆或難以辨識(shí)的問題。而且由于社會(huì)網(wǎng)絡(luò)內(nèi)容并不總是反映用戶真實(shí)的心理狀況，因此，數(shù)據(jù)集可能包含一些與心理問題相關(guān)的假陽性文本內(nèi)容。

數(shù)據(jù)標(biāo)注方面。傳統(tǒng)問卷量表通常由人為設(shè)計(jì)，有不少研究利用量表數(shù)據(jù)作為心理危機(jī)程度的診斷標(biāo)簽。盡管能收集到較高質(zhì)量的標(biāo)簽，但以此方法獲取的樣本容量往往有限。自動(dòng)發(fā)現(xiàn)法可以節(jié)省一定時(shí)間和成本，但存在大量噪聲和誤導(dǎo)信息。人工標(biāo)注法往往準(zhǔn)確且數(shù)據(jù)質(zhì)量高，但不少研究工作中人工標(biāo)注數(shù)據(jù)集的過程并未取得很高的一致性，且人工標(biāo)注方法代價(jià)大，標(biāo)注的樣本容量有限。

總的來說，數(shù)據(jù)量大并不能一定保證數(shù)據(jù)質(zhì)量高，也不能一定保證數(shù)據(jù)真實(shí)可靠。因此，在利用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)評(píng)估識(shí)別心理問題用戶的研究中，如何去除噪聲又提高數(shù)據(jù)質(zhì)量是值得探索的問題和挑戰(zhàn)。

5.3 隱私倫理問題

基于社交媒體的心理健康評(píng)估的研究涉及數(shù)據(jù)隱私、信息泄露等許多問題。數(shù)據(jù)隱私是一個(gè)持續(xù)被關(guān)注的問題。例如，識(shí)別出的高危用戶信息可能被雇主和保險(xiǎn)公司利用。由于用戶一旦被貼上心理問題的標(biāo)簽，可能導(dǎo)致被歧視或嘲笑，因此需要數(shù)據(jù)保護(hù)和所有權(quán)框架協(xié)議來確保用戶不會(huì)受到傷害。如何在社會(huì)網(wǎng)絡(luò)用戶的心理健康自動(dòng)評(píng)估的研究中既能保證一定的學(xué)術(shù)研究質(zhì)量，又能充分尊重和保障用戶的合法權(quán)益，是需要學(xué)者和業(yè)界關(guān)注的問題。

對(duì)于學(xué)術(shù)研究而言，可以建立一定的數(shù)據(jù)使用原則，共同遵循和監(jiān)督，充分保障用戶個(gè)人隱私。對(duì)于臨床應(yīng)用而言，尤其是當(dāng)數(shù)據(jù)來源與患者的社交媒體活動(dòng)有關(guān)時(shí)，需要有適當(dāng)?shù)呐R床風(fēng)險(xiǎn)管理協(xié)議[68]。

5.4 原因抽取問題

目前利用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)開展心理健康分析的工作主要集中在心理問題的識(shí)別檢測(cè)上，即利用社會(huì)網(wǎng)絡(luò)上用戶的靜態(tài)屬性特征、行為特征、文本內(nèi)容特征等，通過分類、回歸等機(jī)器學(xué)習(xí)模型，對(duì)用戶心理健康狀況進(jìn)行識(shí)別。然而，心理健康自動(dòng)評(píng)估研究的最終目的是幫助心理輔導(dǎo)專家快速定位到需要幫助的個(gè)體，快速分析產(chǎn)生的原因，并給予有針對(duì)性的輔導(dǎo)或治療，預(yù)防心理問題嚴(yán)重程度的加劇。

預(yù)防心理問題的第一步是確定與心理問題相關(guān)的危險(xiǎn)因素和原因。心理問題的原因可能很復(fù)雜且因人而異。心理問題原因的自動(dòng)識(shí)別對(duì)于提供量身定制和精確的干預(yù)策略至關(guān)重要。因此，很有必要從用戶發(fā)布的文本集合與用戶參與網(wǎng)絡(luò)的行為集合中自動(dòng)抽取蘊(yùn)含有心理問題產(chǎn)生的原因或線索。然而，很少有人提出用自動(dòng)化的方法從社會(huì)網(wǎng)絡(luò)用戶數(shù)據(jù)中提取心理問題產(chǎn)生原因或心理壓力源[69]。

5.5 自動(dòng)干預(yù)問題

由于社會(huì)網(wǎng)絡(luò)用戶對(duì)心理問題的羞恥感，導(dǎo)致高危用戶尋求心理機(jī)構(gòu)或醫(yī)生幫助的動(dòng)機(jī)不足。但社會(huì)網(wǎng)絡(luò)的發(fā)展和適當(dāng)?shù)哪涿麢C(jī)制促使用戶積極尋求網(wǎng)絡(luò)咨詢或網(wǎng)絡(luò)支持。因此，需要建立機(jī)制，將科學(xué)研究工作與社交網(wǎng)絡(luò)平臺(tái)上的網(wǎng)絡(luò)干預(yù)措施結(jié)合起來。目前社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估的準(zhǔn)確率已經(jīng)有很大提高。如果能夠通過社會(huì)網(wǎng)絡(luò)在自動(dòng)識(shí)別出高危用戶的同時(shí)給予自動(dòng)干預(yù)，改善用戶的心理狀況，就能在減輕心理輔導(dǎo)專家負(fù)擔(dān)的同時(shí)，使心理輔導(dǎo)的介入更及時(shí)。因此，如何根據(jù)用戶心理問題嚴(yán)重程度并結(jié)合用戶興趣進(jìn)行自動(dòng)干預(yù)也是一項(xiàng)挑戰(zhàn)。自動(dòng)干預(yù)與傳統(tǒng)心理干預(yù)方式相比，具有及時(shí)、大規(guī)模、無侵?jǐn)_性等優(yōu)勢(shì)。迄今為止，很少有工作致力于通過這些在線社區(qū)為參與者提供自動(dòng)干預(yù)。

6 結(jié)語

社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估是社會(huì)網(wǎng)絡(luò)、心理信息、計(jì)算語言學(xué)等研究領(lǐng)域的熱點(diǎn)話題。機(jī)器學(xué)習(xí)和自然語言處理的進(jìn)步，為從大規(guī)模社會(huì)網(wǎng)絡(luò)數(shù)據(jù)中自動(dòng)評(píng)估用戶心理問題嚴(yán)重程度提供了巨大的機(jī)會(huì)。針對(duì)這一研究問題，本文歸納界定了社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估的基本概念，梳理了近幾年利用社會(huì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行心理健康評(píng)估的研究，比較了不同自動(dòng)評(píng)估模型方法的優(yōu)缺點(diǎn)及適用性，討論了當(dāng)前社會(huì)網(wǎng)絡(luò)用戶心理健康自動(dòng)評(píng)估研究的局限性和面臨的挑戰(zhàn)。

從當(dāng)前的研究趨勢(shì)來看，盡管社會(huì)網(wǎng)絡(luò)數(shù)據(jù)可能會(huì)填補(bǔ)傳統(tǒng)數(shù)據(jù)收集的空白，然而由于高危用戶可能會(huì)停止生成社會(huì)網(wǎng)絡(luò)內(nèi)容，因此，未來的研究也應(yīng)該結(jié)合其他數(shù)據(jù)流，如結(jié)構(gòu)化臨床訪談、電子健康記錄、智能終端數(shù)據(jù)等，以提高自動(dòng)評(píng)估的準(zhǔn)確性和可靠性。

目前對(duì)社會(huì)網(wǎng)絡(luò)用戶心理健康的自動(dòng)評(píng)估的準(zhǔn)確率已經(jīng)有了很大提高，但為了更好、更準(zhǔn)確地定位具有高危風(fēng)險(xiǎn)的用戶，還需要患者、臨床醫(yī)生和數(shù)據(jù)科學(xué)家之間開展更全面的合作來共享和協(xié)調(diào)數(shù)據(jù)，以提高分類性能，最大限度地評(píng)估所開發(fā)模型的實(shí)用性。此外，隨著機(jī)器學(xué)習(xí)工具越來越容易為研究人員和臨床醫(yī)生所使用，加上政府及公眾對(duì)心理健康問題重視程度越來越高，未來這一領(lǐng)域?qū)⒗^續(xù)發(fā)展，并將在心理健康問題的原因提取、預(yù)防疏導(dǎo)等方面得到新的應(yīng)用。