Проблема выделения текстовых маркеров депрессии / депрессивности при автоматическом анализе текста

Обложка

Цитировать

Полный текст

Аннотация

Работа посвящена актуальной междисциплинарной проблеме возмож ности выявления в текстах признаков депрессии. Цель исследования - определение тех параметров текста, которые могут при автоматическом анализе служить маркерами депресс ии / депрессивности. Исследование двух корпусов текстов: эссе, написанных пациентами с депрессией и здоровыми испытуемыми, и постов в социальных сетях, написанных людьми с высокими и низкими показателями депрессивности по шкале Бека, - проводилось с помощью инструмента автоматического анализа текста TITANIS, разработанного в ФИЦ ИУ РАН. Получены данные анализа по 108 параметрам 557 текстов эссе (полученных от 110 пациентов с депрессией, и 447 здоровых испытуемых) и 224 текстов постов в социальных сетях (полученных от 89 испытуемых с признаками депрессивного состояния и 135 испытуемых без признаков депрессивности). Выявлены текстовые особенности, общие и специфичные для текстов больных депрессией и текстов людей с высокими показателями депрессивности по опроснику, представлена их психологическая интерпретация. Проведен лингвистический анализ специфики «депрессивного текста» в группе больных депрессией и в группе «депрессивных» по данным опросника. Показана роль не только частотно-лексических, но и грамматических в широком смысле признаков текста (части речи, морфемы, граммемы, именные синтаксемы, признаки связности, членимость текста и др.). По результатам анализа предложены три комплексных показателя депрессии, включающих в себя ряд частных психолингвистических, лингвистических и психологических маркеров. Для текстов людей, имеющих признаки депрессивности по шкале Бека, выделены маркеры постов в соцсетях, объединяющиеся в два комплексных показателя; предложено рассматривать их в массовых обследованиях как показатели недовольства (враждебности), а не депрессии. Сделаны выводы по проблемам выделения текстовых маркеров депрессии и сформулированы предложения по вопросам методологии использования средств автоматического анализа текста в сетевой психодиагностике.

Об авторах

Елена Николаевна Никитина

Федеральный исследовательский центр «Информатика и управление» Российской академии наук

Email: yelenon@mail.ru
ORCID iD: 0000-0002-6207-8693
SPIN-код: 6989-9498

кандидат филологических наук, старший научный сотрудник

Российская Федерация, 117321, Москва, пр-т 60-летия Октября, д. 9

Максим Алексеевич Станкевич

Федеральный исследовательский центр «Информатика и управление» Российской академии наук

Email: stankevich@isa.ru
ORCID iD: 0000-0003-0705-5832
SPIN-код: 1916-7298

младший научный сотрудник

Российская Федерация, 117321, Москва, пр-т 60-летия Октября, д. 9

Наталья Владимировна Чудова

Федеральный исследовательский центр «Информатика и управление» Российской академии наук

Автор, ответственный за переписку.
Email: nchudova@gmail.com
ORCID iD: 0000-0001-9306-1280
SPIN-код: 3421-2959

кандидат психологических наук, старший научный сотрудник

Российская Федерация, 117321, Москва, пр-т 60-летия Октября, д. 9

Список литературы

  1. Devyatkin, D. (2019). Extraction of cognitive operations from scientific texts. Communications in Computer and Information Science, 1093, 189–200. https://doi.org/10.1007/978-3-030-30763-9_16
  2. Devyatkin, D., Chudova, N., Chuganskaya, A., & Sharypina, D. (2021). Methods for recognition of frustration-derived reactions on social media. Lecture Notes in Computer Science, 12948 LNAI, 17–30. https://doi.org/10.1007/978-3-030-86855-0_2
  3. Devyatkin, D., Enikolopov, S., Salimovsky, V., & Chudova, N. (2021). Speech reactions to frustration: automatic categorization. Psychological Studies, 14(78). (In Russ.). https://doi.org/10.54359/ps.v14i78.160
  4. Enikolopov, S., & Chudova, N. (2017). The problem of a hostile attitude. Psychological Stu­dies, 10(54). (In Russ.). https://doi.org/10.54359/ps.v10i54.360
  5. Enikolopov, S.N., Kovalev, A.K., Kiznetsova, J.M., Chudova, N.V., & Starostina, E.V. (2019). Features of texts written by a frustrated person. Moscow University Psychology Bulletin, (3), 66–85. (In Russ.). http://doi.org/10.11621/vsp.2019.03.66
  6. Enikolopov, S.N., Kuznetsova, Y.M., Osipov, G.S., Smirnov, I.V., & Chudova, N.V. (2021). The method of relational-situational analysis of text in psychological research. Psychology. Journal of the Higher School of Economics, 18(4), 748–769. (In Russ.). http://doi.org/10.17323/1813-8918-2021-4-748-769
  7. Gong, Y., & Poellabauer, C. (2017). Topic modeling based multi-modal depression detection. In Proceedings of the 7th Annual Workshop on Audio/Visual emotion challenge (AVEC ‘17) (pp. 69–76). NY: Association for Computing Machinery. https://doi.org/10.1145/3133944.3133945
  8. Grigoriev, O., Kuznetsova, Y., Nikitina, E., Smirnov, I., & Chudova, N. (2022). Ca­usative-Emotive Analysis. Part I. Emotional reactions of social networks users research. Psikhologicheskii Zhurnal, 43(3), 114–121. (In Russ.). https://doi.org/10.31857/S020595920020501-7
  9. Ignatiev, N., Smirnov, I. V., & Stankevich, M. (2022). Predicting depression with text, image, and profile data from social media. In Proceedings of the 11th International Conference on Pattern Recognition Applications and Methods - ICPRAM (pp. 753–760). SciTePress. https://doi.org/10.5220/0010986100003122
  10. Islam, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., & Ulhaq, A. (2018). Depression detection from social network data using machine learning techniques. Health Information Science and Systems, 6, 8. https://doi.org/10.1007/s13755-018-0046-0
  11. Kovalev, A.K., Kuznetsova, Y.M., Minin, A.N., Penkina, M.Y., Smirnov, I.V., Stankevich, M.A., & Chudova, N.V. (2019). Text analysis approach for identifying psychological characteristics (with aggressiveness as an example). Voprosy kiberbezopasnosti–Cybersecurity Issues, 4(32), 72–79 (in Russ.). https://doi.org/10.21681/2311-3456-2019-4-72-79
  12. Kuznetsova, Y.M. (2020). A trial of the thematic groups of words for text mining. In Security: Information, Technology, Behavior (pp. 28–36). St. Petersburg: “NATSRZAVITIE” Publ. (In Russ.). https://doi.org/10.37539/SITB294.2020.37.95.003
  13. Levin, K. (2001). Dynamic psychology: Selected works. Moscow: Smysl Publ. (In Russ.).
  14. Litvinova, T. A., & Litvinova, O. A. (2015). Identification and diagnosis of the personality of the author of a written text. Voronezh: Voronezh State Pedagogical University Publ. (In Russ.).
  15. Litvinova, T.A., Biryukova, E.D., & Zagorovskaya, O.V. (2021). Predicting gender, age and psychological characteristics of the author of a written text using corpus and computer linguistics methods: possibilities and limitations. Issues of Criminology, Criminalistics and Forensic Examination, (1), 105–111. (In Russ.).
  16. Moreno, J. D., Martinez-Huertas, J. A., Olmos, R., Jorge-Botana, G., & Botella, J. (2021). Can personality traits be measured analyzing written language? A meta-analytic study on computational methods. Personality and Individual Differences, 177, 110818. https://doi.org/10.1016/j.paid.2021.110818
  17. Nikitina, E.N., & Onipenko, N.K. (2019). A cognitive linguistic interpretation of statistical analysis results based on texts by persons with mental disorder. Artificial Intelligence and Decision Making, 1(3), 60–69. (In Russ.). https://doi.org/10.14357/20718594190307
  18. Nikitina, E.N., & Onipenko, N.K. (2022). On linguistic component in a psycholinguistic research (based on the material of psych verbs in texts by persons with mental disorders). Tomsk State University Journal of Philology (79), 109–130. (In Russ.) http://dx.doi.org/10.17223/19986645/79/6
  19. Orabi, A.H., Buddhitha, P., Orabi, M.H., & Inkpen, D. (2018, June). Deep learning for depression detection of twitter users. In Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic (pp. 88–97). New Orleans, LA.: Association for Computational Linguistics. https://doi.org/10.18653/v1/W18-0609
  20. Osipov, G.S., Smirnov, I.V., & Tikhomirov, I.A. (2008). Relational-situational method of search and analysis of texts and its applications. Artificial Intelligence and Decision Making, (2), 3–10 (In Russ.).
  21. Petraevskiy, V.A., & Kravets, A.G. (2024). The textual information intellectual analysis method for psychiatric diagnosis. Vestnik of Astrakhan State Technical University. Series: Management, Computer Science and Informatics, (2), 95–104. (In Russ.). https://doi.org/10.24143/2072-9502-2024-2-95-104
  22. Shalileh, S.A., Koptseva, A.O., Shishkovskaya, T.I., Khudyakova, M.V., & Dragoy, O.V. (2023). An explained artificial intelligence-based solution to identify depression severity symptoms using acoustic features. Doklady Rossiiskoj Akademii Nauk. Matematika, Informatika, Processy Upravleniya, 514(2), 242–249. (In Russ.) https://doi.org/10.31857/S26869543236009
  23. Smirnov, I. V. (2023). Intelligent text analysis based on multi-level natural language processing methods. Moscow: FRC CSC RAS. (In Russ.).
  24. Smirnov, I., Stankevich, M., Kuznetsova, Y., Suvorova, M., Larionov, D., Nikitina, E., & Grigoriev, O. (2021). TITANIS: A tool for intelligent text analysis in social media. Lecture Notes in Computer Science, 12948 LNAI, 232–247. https://doi.org/10.1007/978-3-030-86855-0_16
  25. Smirnov, I.V., Ushakova, A.V., & Chudova, N.V. (2020). Method for detecting text markers of depression and depressiveness. Lecture Notes in Computer Science, 12412 LNAI, 325–337. https://doi.org/10.1007/978-3-030-59535-7_24
  26. Solokhov, T.D., & Kochkarov A.A. (2024). Forecasting the depression with user data from Russian language social network. Modeling, Optimization and Information Technology, 12(2). (In Russ.). https://doi.org/10.26102/2310-6018/2024.45.2.016
  27. Stankevich, M.A., Kuznetsova, Y.M., Smirnov, I.V., Kiselnikova, N.V., & Enikolopov, S.N. (2019). Predicting depression from essays in Russian. Computational Linguistics and Intellectual Technologies, 18(25), 637–647.
  28. Tausczik, Y.R., & Pennebaker, J.W. (2010). The psychological meaning of words: LIWC and computerized text analysis methods. Journal of language and social psychology, 29(1), 24–54. https://doi.org/10.1177/0261927X09351676
  29. Zolotova, G.A. (1988). Syntactic dictionary: Repertoire of elementary units of Russian syntax. Moscow: Nauka Publ. (In Russ.)

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».