Utilizing natural language processing for precision prevention of mental health disorders among youth: A systematic review
Notice bibliographique
Résumé
BACKGROUND: The global mental health crisis has created barriers to youth mental healthcare, leaving many disorders unaddressed. Precision prevention, which identifies individual risks, offers the potential for tailored interventions. While natural language processing (NLP) has shown promise in the early detection of mental health disorders, no review has examined its role in youth mental health detection. We hypothesize that NLP can improve early detection and personalized care in mental healthcare among youth. METHODOLOGY: After screening 1197 articles from 5 databases, 12 papers were included covering six categories: (1) mental health disorders, (2) data sources, (3) NLP objective for mental health detection, (4) annotation and validation techniques, (5) linguistic markers, and (6) performance and evaluation. Study quality was assessed using Hawker's checklist for disparate study designs. RESULTS: Most studies focused on suicide risk (42 %), depression (25 %), and stress (17 %). Social media (42 %) and interviews (33 %) were the most common data sources, with linguistic inquiry and word count and support vector machines frequently used for analysis. While most studies were exploratory, one implemented a real-time tool for detecting mental health risks. Validation methods, including precision and recall metrics, showed strong predictive performance. CONCLUSIONS: This review highlights the potential of NLP in youth mental health detection, addressing challenges such as bias, data quality, and ethical concerns. Future research should refine NLP models using diverse, multimodal datasets, addressing data imbalance, and improving real-time detection. Exploring transformer-based models and ensuring ethical, inclusive data handling will be key to advancing NLP-driven interventions.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».