Feature Analysis and Hierarchical Classification of Anxiety Severity during early COVID-19
Notice bibliographique
Résumé
Distress, confusion, and anger are common responses to COVID-19. Statistics Canada created the Canadian Perspectives Survey Series (CPSS) to understand social issues and effects of COVID-19 on the Canadian labour force (LF). The evaluation of the health and health-related behaviours were done through surveys collected between April and July. Features are composed of 4600 participants and 62 questions, which include the General Anxiety Disorder (GAD)-7 questionnaire. This work proposes the use of CPSS2 survey data characteristics to identify the level of anxiety within the Canadian population during early stages of COVID-19 and is validated with the use of GAD-7 questionnaire. Minimum redundancy maximum relevance (mRMR) is applied to select the top 20 features to represent user anxiety. During classification, decision tree (DT) and support vector machine (SVM) are used to test the separation of anxiety severity. Hierarchical classification was used which separated the anxiety severity labels into different test sets and classified accordingly. We employ SVM for binary classification with 10-fold cross validation to separate the labels of Minimal and Severe anxiety to achieve an overall accuracy of 94.77±0.05%. After analysis, a subset of the reduced feature set can be represented as pseudo passive (PP) data, which are passive sensors that can augment qualitative data. The accurate classification provides proxy on what gives rise to anxiety, as well as the ability to provide early interventions. Future works can implement passive sensors to augment PP data and further understand why people cope this way.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».