Language Patterns Discriminate Mild Depression From Normal Sadness and Euthymic State
Notice bibliographique
Résumé
Objectives. Deviations from typical word use have been previously reported in clinical depression, but language patterns of mild depression, as distinct from normal sadness and euthymic state, are unknown. In this study we aimed to apply the linguistic approach as an additional diagnostic key for understanding clinical variability along the continuum of affective states. Methods. We studied 402 written reports from 124 Russian-speaking patients and 77 healthy controls, including 35 cases of normal sadness, using hand-coding procedures. The focus of our psycholinguistic methods was on lexico-semantic (e.g. rhetorical figures (metaphors, similes)), syntactic (e.g. predominant sentence type (single-clause, multi-clause)), and lexico-grammatical (e.g. pronouns (indefinite, personal)) variables. Statistical evaluations included Cohen’s Kappa for inter-rater reliability measures, a nonparametric approach (Mann-Whitney U-test, Pearson Chi-square test), one-way ANOVA for between-group differences, Spearman’s and point-biserial correlations to analyze relationships between linguistic and gender variables, discriminant analysis (λ–Wilks) of linguistic variables in relation to the affective diagnostic types, all using SPSS-22 (significant, p<0.05). Results. In mild depression, as compared to healthy individuals, written responses were longer, demonstrated descriptive rather than analytic style, showed signs of spoken and figurative language, single-clause sentences domination over multi-clause, atypical word order, increased use of personal and indefinite pronouns, and verb use in continuous/imperfective and past tenses. In normal sadness, as compared to healthy controls, we found greater use of lexical repetitions, omission of words, verbs in continuous and present tenses. Mild depression was significantly differentiated from normal sadness and euthymic state by linguistic variables (98.6%; λ–Wilks(40)=0.009; p<0.001; r=0.992). The highest predictors in discrimination between mild depression, normal sadness and euthymic state groups were the variables of word order (typical/atypical) (r=-0.405), ellipses (omission of words) (r=0.583), colloquialisms (informal words/phrases) (r=0.534), verb tense (past/present/future) (r=-0.460), verbs form (continuous/perfect) (r=0.345), amount of reflexive (e.g. myself)/personal (r=0.344) and negative (e.g. nobody)/indefinite (r=0.451) pronouns. The most significant between-group differences were observed in mild depression as compared to both normal sadness and euthymic state. Conclusion. Mild depression is characterized by patterns of atypical language use distinguishing depression from normal sadness and euthymic state, which points to a potential role of linguistic indicators in diagnosing affective states.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».