Published January 1, 2023
| Version v1
Publication
Open
An Annotated Dataset for Explainable Interpersonal Risk Factors of Mental Disturbance in Social Media Posts
- 1. Mayo Clinic in Arizona
- 2. Lakehead University
- 3. Thapar Institute of Engineering & Technology
Description
With a surge in identifying suicidal risk and its severity in social media posts, we argue that a more consequential and explainable research is required for optimal impact on clinical psychology practice and personalized mental healthcare.The success of computational intelligence techniques for inferring mental illness from social media resources, points to natural language processing as a lens for determining Interpersonal Risk Factors (IRF) in human writings.Motivated with limited availability of datasets for social NLP research community, we construct and release a new annotated dataset with human-labelled explanations and classification of IRF affecting mental disturbance on social media: (i) Thwarted Belongingness (TBE), and (ii) Perceived Burdensomeness (PBU).We establish baseline models on our dataset facilitating future research directions to develop realtime personalized AI models by detecting patterns of TBE and PBU in emotional spectrum of user's historical social media profile.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
مع زيادة في تحديد مخاطر الانتحار وشدتها في منشورات وسائل التواصل الاجتماعي، نجادل بأن هناك حاجة إلى بحث أكثر تبعية وقابلية للتفسير من أجل التأثير الأمثل على ممارسة علم النفس السريري والرعاية الصحية العقلية الشخصية. نجاح تقنيات الذكاء الحسابي لاستنتاج المرض العقلي من موارد وسائل التواصل الاجتماعي، يشير إلى معالجة اللغة الطبيعية كعدسة لتحديد عوامل الخطر الشخصية (IRF) في الكتابات البشرية. بدافع من محدودية توافر مجموعات البيانات لمجتمع أبحاث البرمجة اللغوية العصبية الاجتماعية، نقوم ببناء وإصدار مجموعة بيانات مشروحة جديدة مع تفسيرات وتصنيفات موسومة بشريًا لـ IRF تؤثر على الاضطراب العقلي على وسائل التواصل الاجتماعي: (1) الانتماء المحبط (TBE)، و (2) العبء المتصور (PBU). نقوم بإنشاء نماذج أساسية على مجموعة البيانات الخاصة بنا لتسهيل اتجاهات البحث المستقبلية لتطوير نماذج الذكاء الاصطناعي الشخصية في الوقت الفعلي من خلال الكشف عن أنماط TBE و PBU في الطيف العاطفي لملف الوسائط الاجتماعية التاريخية للمستخدم.Translated Description (French)
Avec une augmentation de l'identification du risque suicidaire et de sa gravité dans les publications sur les médias sociaux, nous soutenons qu'une recherche plus conséquente et explicable est nécessaire pour un impact optimal sur la pratique de la psychologie clinique et les soins de santé mentale personnalisés. Le succès des techniques d'intelligence computationnelle pour inférer les maladies mentales à partir des ressources des médias sociaux indique que le traitement du langage naturel est une lentille pour déterminer les facteurs de risque interpersonnels (IRF) dans les écrits humains. Motivés par la disponibilité limitée d'ensembles de données pour la communauté de recherche en PNL sociale, nous construisons et publions un nouvel ensemble de données annoté avec des explications et une classification de l'IRF étiquetées par l'homme affectant les troubles mentaux sur les médias sociaux : (i) Belongness contrarié (TBE), et (ii) Perceived Burdensomeness (PBU). Nous établissons des modèles de base sur notre ensemble de données facilitant les futures orientations de recherche pour développer des modèles d'IA personnalisés en temps réel en détectant des modèles de TBE et de PBU dans le spectre émotionnel du profil historique des médias sociaux de l'utilisateur.Translated Description (Spanish)
Con un aumento en la identificación del riesgo suicida y su gravedad en las publicaciones de las redes sociales, argumentamos que se requiere una investigación más consecuente y explicable para lograr un impacto óptimo en la práctica de la psicología clínica y la atención médica mental personalizada. El éxito de las técnicas de inteligencia computacional para inferir la enfermedad mental a partir de los recursos de las redes sociales apunta al procesamiento del lenguaje natural como una lente para determinar los Factores de Riesgo Interpersonales (IRF) en los escritos humanos. Motivados por la disponibilidad limitada de conjuntos de datos para la comunidad de investigación de PNL social, construimos y lanzamos un nuevo conjunto de datos anotados con explicaciones etiquetadas por humanos y clasificación de IRF que afectan la perturbación mental en las redes sociales: (i) Pertenencia frustrada (TBE) y (ii) Percepción de carga (PBU). Establecemos modelos de referencia en nuestro conjunto de datos que facilitan futuras direcciones de investigación para desarrollar modelos de IA personalizados en tiempo real mediante la detección de patrones de TBE y PBU en el espectro emocional del perfil histórico de las redes sociales del usuario.Files
2023.findings-acl.757.pdf.pdf
Files
(986.4 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:b634cb790f44bc4ef6c9dba79472f7d7
|
986.4 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- مجموعة بيانات مشروحة لعوامل الخطر الشخصية القابلة للتفسير للاضطراب العقلي في منشورات وسائل التواصل الاجتماعي
- Translated title (French)
- Un ensemble de données annotées pour les facteurs de risque interpersonnels explicables de troubles mentaux dans les publications sur les réseaux sociaux
- Translated title (Spanish)
- Un conjunto de datos anotados para factores de riesgo interpersonales explicables de trastornos mentales en publicaciones en redes sociales
Identifiers
- Other
- https://openalex.org/W4385570288
- DOI
- 10.18653/v1/2023.findings-acl.757
References
- https://openalex.org/W4285601831