Published March 3, 2022
| Version v1
Publication
Open
Prediction of Online Psychological Help-Seeking Behavior During the COVID-19 Pandemic: An Interpretable Machine Learning Method
Creators
- 1. Ministry of Education of the People's Republic of China
- 2. Central China Normal University
Description
Online mental health service (OMHS) has been named as the best psychological assistance measure during the COVID-19 pandemic. An interpretable, accurate, and early prediction for the demand of OMHS is crucial to local governments and organizations which need to allocate and make the decision in mental health resources. The present study aimed to investigate the influence of the COVID-19 pandemic on the online psychological help-seeking (OPHS) behavior in the OMHS, then propose a machine learning model to predict and interpret the OPHS number in advance. The data was crawled from two Chinese OMHS platforms. Linguistic inquiry and word count (LIWC), neural embedding-based topic modeling, and time series analysis were utilized to build time series feature sets with lagging one, three, seven, and 14 days. Correlation analysis was used to examine the impact of COVID-19 on OPHS behaviors across different OMHS platforms. Machine learning algorithms and Shapley additive explanation (SHAP) were used to build the prediction. The result showed that the massive growth of OPHS behavior during the COVID-19 pandemic was a common phenomenon. The predictive model based on random forest (RF) and feature sets containing temporal features of the OPHS number, mental health topics, LIWC, and COVID-19 cases achieved the best performance. Temporal features of the OPHS number showed the biggest positive and negative predictive power. The topic features had incremental effects on performance of the prediction across different lag days and were more suitable for OPHS prediction compared to the LIWC features. The interpretable model showed that the increase in the OPHS behaviors was impacted by the cumulative confirmed cases and cumulative deaths, while it was not sensitive in the new confirmed cases or new deaths. The present study was the first to predict the demand for OMHS using machine learning during the COVID-19 pandemic. This study suggests an interpretable machine learning method that can facilitate quick, early, and interpretable prediction of the OPHS behavior and to support the operational decision-making; it also demonstrated the power of utilizing the OMHS platforms as an always-on data source to obtain a high-resolution timeline and real-time prediction of the psychological response of the online public.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تم تسمية خدمة الصحة العقلية عبر الإنترنت (OMHS) كأفضل مقياس للمساعدة النفسية خلال جائحة كوفيد-19. يعد التنبؤ القابل للتفسير والدقيق والمبكر بطلب الصحة والسلامة المهنية أمرًا بالغ الأهمية للحكومات والمنظمات المحلية التي تحتاج إلى تخصيص موارد الصحة العقلية واتخاذ القرار بشأنها. هدفت هذه الدراسة إلى التحقيق في تأثير جائحة كوفيد-19 على سلوك طلب المساعدة النفسية عبر الإنترنت في الصحة والسلامة المهنية، ثم اقتراح نموذج للتعلم الآلي للتنبؤ برقم الصحة والسلامة المهنية وتفسيره مسبقًا. تم الزحف إلى البيانات من منصتين صينيتين للصحة والسلامة المهنية. تم استخدام الاستفسار اللغوي وعدد الكلمات (LIWC)، ونمذجة الموضوعات القائمة على التضمين العصبي، وتحليل السلاسل الزمنية لبناء مجموعات ميزات السلاسل الزمنية مع تأخير يوم واحد وثلاثة وسبعة و 14 يومًا. تم استخدام تحليل الارتباط لفحص تأثير COVID -19 على سلوكيات الصحة والسلامة المهنية عبر منصات الصحة والسلامة المهنية المختلفة. تم استخدام خوارزميات التعلم الآلي وشرح شابلي المضاف (SHAP) لبناء التنبؤ. أظهرت النتيجة أن النمو الهائل في سلوك الصحة والسلامة المهنية خلال جائحة كوفيد-19 كان ظاهرة شائعة. حقق النموذج التنبئي القائم على الغابات العشوائية (RF) ومجموعات الميزات التي تحتوي على ميزات زمنية لعدد OPHS، وموضوعات الصحة العقلية، و LIWC، وحالات COVID -19 أفضل أداء. أظهرت السمات الزمنية لرقم OPHS أكبر قوة تنبؤية إيجابية وسلبية. كان لميزات الموضوع تأثيرات تدريجية على أداء التنبؤ عبر أيام التأخر المختلفة وكانت أكثر ملاءمة لتنبؤ الصحة والسلامة المهنية مقارنة بميزات LIWC. أظهر النموذج القابل للتفسير أن الزيادة في سلوكيات الصحة والسلامة المهنية تأثرت بالحالات المؤكدة التراكمية والوفيات التراكمية، في حين أنها لم تكن حساسة في الحالات المؤكدة الجديدة أو الوفيات الجديدة. كانت هذه الدراسة هي الأولى التي تتنبأ بالطلب على الصحة والسلامة المهنية باستخدام التعلم الآلي خلال جائحة كوفيد-19. تقترح هذه الدراسة طريقة تعلم آلي قابلة للتفسير يمكن أن تسهل التنبؤ السريع والمبكر والقابل للتفسير بسلوك الصحة والسلامة المهنية ودعم عملية صنع القرار التشغيلي ؛ كما أظهرت قوة استخدام منصات الصحة والسلامة المهنية كمصدر بيانات دائم للحصول على جدول زمني عالي الدقة والتنبؤ في الوقت الفعلي بالاستجابة النفسية للجمهور عبر الإنترنت.Translated Description (French)
Le service de santé mentale en ligne (OMHS) a été désigné comme la meilleure mesure d'assistance psychologique pendant la pandémie de COVID-19. Une prévision interprétable, précise et précoce de la demande de l'OMHS est cruciale pour les gouvernements locaux et les organisations qui doivent allouer et prendre la décision en matière de ressources en santé mentale. La présente étude visait à étudier l'influence de la pandémie de COVID-19 sur le comportement de recherche d'aide psychologique en ligne (OPHS) dans l'OMHS, puis à proposer un modèle d'apprentissage automatique pour prédire et interpréter le nombre d'OPHS à l'avance. Les données ont été explorées à partir de deux plates-formes OMHS chinoises. L'enquête linguistique et le nombre de mots (LIWC), la modélisation de sujets basée sur l'intégration neuronale et l'analyse de séries chronologiques ont été utilisés pour créer des ensembles de caractéristiques de séries chronologiques avec un, trois, sept et 14 jours de retard. L'analyse de corrélation a été utilisée pour examiner l'impact de la COVID-19 sur les comportements OPHS sur différentes plateformes OMHS. Les algorithmes d'apprentissage automatique et l'explication additive de Shapley (SHAP) ont été utilisés pour construire la prédiction. Le résultat a montré que la croissance massive du comportement de l'OPHS pendant la pandémie de COVID-19 était un phénomène courant. Le modèle prédictif basé sur la forêt aléatoire (RF) et les ensembles de caractéristiques contenant les caractéristiques temporelles du nombre OPHS, les sujets de santé mentale, le LIWC et les cas de COVID-19 ont obtenu les meilleures performances. Les caractéristiques temporelles du nombre OPHS ont montré le plus grand pouvoir prédictif positif et négatif. Les caractéristiques du sujet ont eu des effets incrémentiels sur la performance de la prédiction sur différents jours de décalage et étaient plus appropriées pour la prédiction OPHS par rapport aux caractéristiques LIWC. Le modèle interprétable a montré que l'augmentation des comportements OPHS était impactée par les cas confirmés cumulés et les décès cumulés, alors qu'elle n'était pas sensible dans les nouveaux cas confirmés ou les nouveaux décès. La présente étude a été la première à prédire la demande d'OMHS en utilisant l'apprentissage automatique pendant la pandémie de COVID-19. Cette étude suggère une méthode d'apprentissage automatique interprétable qui peut faciliter la prédiction rapide, précoce et interprétable du comportement OPHS et soutenir la prise de décision opérationnelle ; elle a également démontré la puissance de l'utilisation des plateformes OMHS en tant que source de données permanente pour obtenir une chronologie haute résolution et une prédiction en temps réel de la réponse psychologique du public en ligne.Translated Description (Spanish)
El servicio de salud mental en línea (OMHS) ha sido nombrado como la mejor medida de asistencia psicológica durante la pandemia de COVID-19. Una predicción interpretable, precisa y temprana de la demanda de SSMO es crucial para los gobiernos locales y las organizaciones que necesitan asignar y tomar la decisión en materia de recursos de salud mental. El presente estudio tuvo como objetivo investigar la influencia de la pandemia de COVID-19 en el comportamiento de búsqueda de ayuda psicológica en línea (OPHS) en el OMHS, y luego proponer un modelo de aprendizaje automático para predecir e interpretar el número de OPHS por adelantado. Los datos se rastrearon desde dos plataformas chinas de OMHS. La indagación lingüística y el recuento de palabras (LIWC), el modelado de temas basado en la integración neuronal y el análisis de series temporales se utilizaron para crear conjuntos de características de series temporales con retrasos de uno, tres, siete y 14 días. Se utilizó el análisis de correlación para examinar el impacto de COVID-19 en los comportamientos de OPHS en diferentes plataformas de OMHS. Se utilizaron algoritmos de aprendizaje automático y explicación aditiva de Shapley (SHAP) para construir la predicción. El resultado mostró que el crecimiento masivo del comportamiento de OPHS durante la pandemia de COVID-19 fue un fenómeno común. El modelo predictivo basado en bosques aleatorios (FR) y conjuntos de características que contienen características temporales del número de OPHS, temas de salud mental, LIWC y casos de COVID-19 logró el mejor rendimiento. Las características temporales del número OPHS mostraron el mayor poder predictivo positivo y negativo. Las características del tema tuvieron efectos incrementales en el rendimiento de la predicción en diferentes días de retraso y fueron más adecuadas para la predicción de OPHS en comparación con las características de LIWC. El modelo interpretable mostró que el aumento en los comportamientos de OPHS se vio afectado por los casos confirmados acumulados y las muertes acumuladas, mientras que no fue sensible en los nuevos casos confirmados o las nuevas muertes. El presente estudio fue el primero en predecir la demanda de SSMO utilizando el aprendizaje automático durante la pandemia de COVID-19. Este estudio sugiere un método de aprendizaje automático interpretable que puede facilitar la predicción rápida, temprana e interpretable del comportamiento de OPHS y apoyar la toma de decisiones operativas; también demostró el poder de utilizar las plataformas OMHS como una fuente de datos siempre activa para obtener una línea de tiempo de alta resolución y una predicción en tiempo real de la respuesta psicológica del público en línea.Files
pdf.pdf
Files
(1.6 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:ed26f9e4a612d8bd4ab82e2d44bf1ceb
|
1.6 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بسلوك طلب المساعدة النفسية عبر الإنترنت أثناء جائحة كوفيد-19: طريقة قابلة للتفسير للتعلم الآلي
- Translated title (French)
- Prédiction du comportement de recherche d'aide psychologique en ligne pendant la pandémie de COVID-19 : une méthode d'apprentissage automatique interprétable
- Translated title (Spanish)
- Predicción del comportamiento psicológico en línea en busca de ayuda durante la pandemia de COVID-19: un método interpretable de aprendizaje automático
Identifiers
- Other
- https://openalex.org/W4214938609
- DOI
- 10.3389/fpubh.2022.814366
References
- https://openalex.org/W1947988280
- https://openalex.org/W1949838997
- https://openalex.org/W1969052573
- https://openalex.org/W2045745149
- https://openalex.org/W2090621906
- https://openalex.org/W2110019610
- https://openalex.org/W2129161842
- https://openalex.org/W2130780873
- https://openalex.org/W2154053567
- https://openalex.org/W2226243673
- https://openalex.org/W2250240141
- https://openalex.org/W2605512411
- https://openalex.org/W2747599906
- https://openalex.org/W2769358515
- https://openalex.org/W2788036042
- https://openalex.org/W2789137369
- https://openalex.org/W2793244201
- https://openalex.org/W2888505821
- https://openalex.org/W2899719154
- https://openalex.org/W2916226351
- https://openalex.org/W2919115771
- https://openalex.org/W2950790318
- https://openalex.org/W2963780471
- https://openalex.org/W2966152549
- https://openalex.org/W2996061341
- https://openalex.org/W2996705655
- https://openalex.org/W3007805683
- https://openalex.org/W3011816404
- https://openalex.org/W3022643593
- https://openalex.org/W3022645607
- https://openalex.org/W3025218691
- https://openalex.org/W3032158497
- https://openalex.org/W3039647217
- https://openalex.org/W3083755133
- https://openalex.org/W3093427224
- https://openalex.org/W3094885483
- https://openalex.org/W3111732122
- https://openalex.org/W3125830233
- https://openalex.org/W3133840223
- https://openalex.org/W3137336985
- https://openalex.org/W3152800444
- https://openalex.org/W3163552566
- https://openalex.org/W3203140611
- https://openalex.org/W3210815322
- https://openalex.org/W3214568570