Mobile Mental Health Screening in EmotiZen via the Novel Brain-Inspired MCoG-LDPSNet
Notice bibliographique
Résumé
Anxiety and depression affect millions worldwide, yet stigma and long wait times often delay access to care. Mobile mental health apps can decrease these barriers by offering on-demand screening and support. Nevertheless, many machine and deep learning methods used in such tools perform poorly under severe class imbalance, yielding biased, poorly calibrated predictions. To address this challenge, this study proposes MCoG-LDPSNet, a brain-inspired model that combines dual, orthogonal encoding pathways with a novel Loss-Driven Parametric Swish (LDPS) activation. LDPS implements a neurobiologically motivated adaptive-gain mechanism via a learnable β parameter driven by calibration and confidence-aware loss signals that amplifies minority-class patterns while preserving overall reliability, enabling robust predictions under severe data imbalance. On a benchmark mental health corpus, MCoG-LDPSNet achieved AUROC = 0.9920 and G-mean = 0.9451, outperforming traditional baselines like GLMs, XGBoost, state-of-the-art deep models (CNN-BiLSTM-ATTN), and transformer-based approaches. After transfer learning to social media text, the MCoG-LDPSNet maintained a near-perfect AUROC of 0.9937. Integrated into the EmotiZen App with enhanced app features, MCoG-LDPSNet was associated with substantial symptom reductions (anxiety 28.2%; depression 42.1%). These findings indicate that MCoG-LDPSNet is an accurate, imbalance-aware solution suitable for scalable mobile screening of individuals for anxiety and depression.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».