Multi-modal deep-attention-BiLSTM based early detection of mental health issues using social media posts
Notice bibliographique
Résumé
The rising prevalence of mental health disorders such as depression, anxiety, and bipolar disorder underscores the urgent need for effective tools to enable early detection and intervention. Social media platforms like Reddit offer a rich source of user-generated content that reflects emotional and behavioral patterns, making them valuable for mental health analysis. However, many existing social media-based approaches focus solely on textual or audiovisual features, often overlooking temporal posting behaviors that can provide crucial contextual cues. Addressing this gap, this study proposes a multi-modal deep learning framework that integrates both linguistic and temporal features from social media posts to detect early signs of mental health crises. The proposed architecture, named DABLNet, utilizes social media post text and timestamp information as input to model the sequential dependencies between user behavior and various mental health conditions. DABLNet consists of a Bi-directional LSTM (BiLSTM) to process textual content, an LSTM to process its temporal data, a cross-modal attention module to fuse outputs from both networks, and a dense layer for classification. This fusion enables context-aware prediction of mental health states. The model is trained and evaluated on a dataset of labeled Reddit posts, which were preprocessed through text cleaning, temporal feature scaling, and label encoding. Experimental results show that the proposed network outperforms traditional models, achieving a test accuracy of 75.96% and an F1-score of 73.76%. These findings highlight the benefits of combining temporal dynamics alongside textual information and provide a solid foundation for future improvements that use more sophisticated attention mechanisms or new data modalities.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».