En ny teknik som använder artificiell intelligens upptäcker depressivt språk i sociala medier mer exakt än nuvarande system och använder mindre data för att göra det.

Teknologin, som presenterades under den europeiska konferensen om maskininlärning och principer och kunskapspraxis i databaser, är den första i sitt slag som visar att för att mer exakt upptäcka depressivt språk, små, högkvalitativa datamängder kan tillämpas på djupinlärning, en vanlig AI -metod som vanligtvis är datakrävande.

Tidigare psykolingvistisk forskning har visat att de ord vi använder i interaktion med andra dagligen är en bra indikator på vårt mentala och emotionella tillstånd.

Tidigare försök att tillämpa djupinlärningsteknik för att upptäcka och övervaka depression i sociala medier har visat sig vara tråkiga och dyra, förklarade Nawshad Farruque, ett universitet i Alberta Ph.D. student i datavetenskap som leder den nya studien.

Han förklarade att ett Twitter -inlägg som säger att någon är deprimerad för att Netflix är nere inte riktigt uttrycker depression, så någon skulle behöva "förklara" detta för algoritmen.

"Djupinlärning är vanligtvis mycket datahungrig, "sa Farruque." Du behöver i princip mata din maskin med många exempel på vad du försöker lära den. Dock, (expert människa) märkta data med depressivt språk är sällsynta. Vårt arbete minskar avsevärt behovet av så stora mängder märkta data. "

Farruque använde språk som togs från depressionsforum online för att lära sin modell hur man känner igen depression-associerat språk i tweets. Det nya tillvägagångssättet hjälper också maskiner att förstå vilka ord eller kombinationer av ord som verkligen kan förmedla deprimerade känslor. Ett exempel är "Igår var svårt ... och det är idag och imorgon och dagarna efter, "jämfört med" Igår kväll var inte en bra natt för sömn ... så trött och jag har en spelning ikväll ... yawnnn, "vilket mer är ett uttryck för frustration.

Farruque arbetar också med att utnyttja andra offentliga källor till uttrycksfullt språkbruk, inklusive självmordsbrev och kärleksbrev, som alla kan bidra till att lära sig robusta språkmodeller om depression.

"Tanken bakom forskningen är att upptäcka depression i sina tidiga skeden så att människor kan pekas på rätt resurser så snart som möjligt, "förklarade Farruque, som arbetar under överinseende av U of A -forskarna Osmar Zaïane och Randy Goebel.

Farruque tror att den nya tekniken en dag kan byggas in i Twitters politik för självskada och självmord och kan bidra till att förbättra befintliga depressionsdetekteringsalgoritmer som redan är inbyggda i Facebook.