Leveraging Social Media and AI for Early Community Mental Health Support
Notice bibliographique
Résumé
Background Mental health conditions have become a leading cause of disability worldwide, yet stigma, financial barriers, and limited access to care impede effective treatment. Amid these challenges, more people are turning to online platforms like Reddit to express psychological distress and seek informal support. However, these platforms often lack mechanisms to guide users toward professional care. This study explores a community-facing framework that leverages natural language processing and large language models (LLMs) to detect mental health concerns in social media posts and generate personalized support options. Methods We trained and evaluated multiple machine learning classifiers, including Logistic Regression, Random Forest, XGBoost, and DistilBERT, using the Reddit SuicideWatch and Mental Health Collection datasets for multilabel classification of mental health conditions, including depression, anxiety, bipolar disorder, and suicidal ideation. High-confidence predictions from these models were then used to prompt Llama 3.1 8B Turbo LLM to generate personalized mental health resources. Results Among the models, DistilBERT achieved the highest performance, with an area under the receiver operating characteristic curve of 0.916 (95% CI: 0.912-0.921), an F1 score of 0.762 (95% CI: 0.753-0.771), and an accuracy of 0.761 (95% CI: 0.752-0.770). Using these predictions, the LLM generated tailored resources matched to the identified mental health concerns. Conclusion By connecting symptom detection with resource generation, this framework aims to lower common barriers to mental healthcare, especially for individuals hesitant to seek traditional support. Instead of viewing classification as an endpoint, our approach shows how detection can lead to intervention. Linking symptom recognition with tailored resource creation, this work underscores AI's potential to enable scalable, community-based mental health outreach that complements traditional care delivered by licensed mental health professionals in clinical settings.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 | 0,002 |
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 ».