Transfer Learning for Risk Classification of Social Media Posts: Model\n Evaluation Study
Notice bibliographique
Résumé
Mental illness affects a significant portion of the worldwide population.\nOnline mental health forums can provide a supportive environment for those\nafflicted and also generate a large amount of data which can be mined to\npredict mental health states using machine learning methods. We benchmark\nmultiple methods of text feature representation for social media posts and\ncompare their downstream use with automated machine learning (AutoML) tools to\ntriage content for moderator attention. We used 1588 labeled posts from the\nCLPsych 2017 shared task collected from the Reachout.com forum (Milne et al.,\n2019). Posts were represented using lexicon based tools including VADER,\nEmpath, LIWC and also used pre-trained artificial neural network models\nincluding DeepMoji, Universal Sentence Encoder, and GPT-1. We used TPOT and\nauto-sklearn as AutoML tools to generate classifiers to triage the posts. The\ntop-performing system used features derived from the GPT-1 model, which was\nfinetuned on over 150,000 unlabeled posts from Reachout.com. Our top system had\na macro averaged F1 score of 0.572, providing a new state-of-the-art result on\nthe CLPsych 2017 task. This was achieved without additional information from\nmeta-data or preceding posts. Error analyses revealed that this top system\noften misses expressions of hopelessness. We additionally present\nvisualizations that aid understanding of the learned classifiers. We show that\ntransfer learning is an effective strategy for predicting risk with relatively\nlittle labeled data. We note that finetuning of pretrained language models\nprovides further gains when large amounts of unlabeled text is available.\n
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».