Kullanıcı tarafından oluşturulan sosyal medya metinlerinden ruh sağlığı risklerinin tespiti, depresyon, anksiyete ve intihar düşüncesi gibi psikiyatrik durumların artmaya devam etmesiyle giderek daha önemli hale gelmiştir. Bununla birlikte, mevcut hesaplamalı çalışmaların çoğu, problemi tek etiketli veri kümeleri kullanarak ele almakta, örtük olarak birbirini dışlayan koşulları varsaymakta ve böylece klinik olarak yaygın olan eş morbiditeyi yetersiz modellemektedir.
Modelleme varsayımlarını gerçek dünya ruh sağlığı olgularıyla daha iyi uyumlu hale getirmek için, sosyal medya tabanlı risk tanımlamasını, tek bir gönderi içinde birlikte var olan risklerin eş zamanlı olarak tahmin edilmesini sağlayan çok etiketli bir metin sınıflandırma problemi olarak formüle ediyoruz.
AIMH/SWMH ve Ruh Sağlığı için Duygu Analizi veri kümesini entegre ederek ve sağlıklı içerik temsilini güçlendirmek için Sentiment140'tan nötr/pozitif örnekler ekleyerek hibrit bir veri kümesi oluşturuyoruz. Meta Llama-3-70B-Instruct kullanılarak, deterministik sıfır atışlı uyarı (sıcaklık=0) ile çok etiketli açıklamalar oluşturulmuştur; rastgele örneklenmiş 1.000 örneğin manuel denetimi, LLM tarafından oluşturulan etiketlerle %94 oranında uyum göstermiştir.
Daha sonra, birleşik bir çok etiketli eğitim protokolü altında birden fazla transformatör tabanlı kodlayıcıyı karşılaştırarak makro/mikro F1 performansını raporladık ve sosyal medyada büyük ölçekte örtüşen ruh sağlığı risklerini modellemek için transformatör tabanlı çok etiketli öğrenmenin uygulanabilirliğini vurguladık.
