Objective speech measures capture depressive symptoms and associated cognitive difficulties
Notice bibliographique
Résumé
Psychiatry lacks objective biomarkers for assessing depression, relying instead on subjective measures, such as the Hamilton Depression Rating Scale (HAMD-17). This study examined whether speech features could serve as objective markers of depressive symptoms and its associated cognitive difficulties. Sixty-six individuals with major depressive disorder (MDD) and 54 non-depressed control participants completed a speech assessment, responding to the prompt: "Please tell me how you are feeling today." Linguistic (valence, emotional intensity, agency) and acoustic (pitch, pitch variance, speech rate, time spent pausing) features were derived from natural language processing. These speech features were analyzed individually and collectively as a composite score representing overall speech disturbance. A subset of participants (40 with MDD, 38 controls) also completed a validated executive function task. ANCOVA models compared speech features between groups. Linear regression models examined associations between speech features, depression severity (HAMD-17), and performance on an executive function task. Compared to controls, individuals with MDD used language that was more negatively valenced, emotionally intense, and less agentic. They also demonstrated lower pitch, slower speech rate, and more time spent pausing. The composite speech score also differed between groups. Speech features and executive function were not associated with depression severity, as measured by the HAMD-17. However, several speech features were associated with executive function. Taken together, these findings suggest that speech features may provide a scalable, objective method for detecting depressive symptoms and associated executive difficulties.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| 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 ».