Language or rating scales based classifications of emotions: computational analysis of language and alexithymia
Notice bibliographique
Résumé
Rating scales are the dominating tool for the quantitative assessment of mental health. They are often believed to have a higher validity than language-based responses, which are the natural way of communicating mental states. Furthermore, it is unclear how difficulties articulating emotions-alexithymia-affect the accuracy of language-based communication of emotions. We investigated whether narratives describing emotional states are more accurately classified by questions-based computational analysis of language (QCLA) compared to commonly used rating scales. Additionally, we examined how this is affected by alexithymia. In Phase 1, participants (N = 348) generated narratives describing events related to depression, anxiety, satisfaction, and harmony. In Phase 2, another set of participants summarized the emotions described in the narratives of Phase 1 in five descriptive words and rating scales (PHQ-9, GAD-7, SWLS, and HILS). The words were quantified with a natural language processing model (i.e., LSA) and classified with machine learning (i.e., multinomial regression). The results showed that the language-based responses can be more accurate in classifying the emotional states compared to the rating scales. The degree of alexithymia did not influence the correctness of classification based on words or rating scales, suggesting that QCLA is not sensitive to alexithymia. However, narratives generated by people with high alexithymia were more difficult to classify than those generated by people with low alexithymia. These results suggest that the assessment of mental health may be improved by language-based responses analyzed by computational methods compared to currently used rating scales.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 tête enseignante, 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 ».