本研究中使用的数据是根据Twitter服务条款收集的。宾夕法尼亚大学机构审查委员会审查了这项研究(协议号:828972)，并认为它豁免了45 CFR§46.101(b)(4)对公开数据来源的人类受试者研究。

在2021年5月4日至5月20日期间，我们从推特流媒体应用程序编程接口(API)收集了67060条公开的推文，这些推文是英文的，不是转发，包括与痴呆症相关的关键词(例如， 痴呆， youngdementia， # yod， # ftd， 阿尔茨海默氏症， alz， alzheimersdisease， 轻度认知障碍)和一种可能表明诊断的语言标记(例如， 诊断， 诊断， 有， 得到了， 发达， 与， 从)．API搜索词的完整列表可在 多媒体附件1．然后我们搜索这些推文，以选择家庭关系( 多媒体附件2)，识别出67060条推文中的10733条(16%)。我们从每个用户的10733条推文中随机抽取一条(8846条(82%))，并制定了注释指南( 多媒体)，以帮助注释人员区分表明家庭成员患有痴呆症的推文和那些没有的推文。在这8846条被注释的推文中，有8346条(94%)是双重注释，500条(6%)是由3个注释者共同注释的。基于所有3名注释者注释的500条推文，注释者之间的一致性为0.82 (Fleiss kappa)。在解决分歧后，确定5946(67%)的推文表明用户有患有痴呆症的家庭成员，2900(33%)的推文没有。

我们进行了基准监督机器学习实验，以评估带注释的数据集在自动识别家庭成员患有痴呆症的Twitter用户方面的效用。对于分类器，我们使用LibSVM [ 25支持向量机(SVM)在Weka中的实现，SVM和6个基于BERT(变压器双向编码器表示)的深度神经网络分类器:BERT- base - un[ 26]，蒸馏酒基无套管[ 27，罗伯塔-拉吉[ 28]， biobert - large - cases [ 29， Bio+ClinicalBERT [ 30.]，和bertwitter - large [ 31的预训练模型 天赋Python库。我们将8846条推文分为80%(7077条推文)和20%(1769条推文)随机集作为训练数据( 多媒体附件4)和持有的测试数据，分别基于二进制注释类的分布进行分层。对于SVM分类器，我们通过规范化url、用户名、数字和与痴呆症相关的关键字来预处理推文( 多媒体附件1)和家庭关系( 多媒体附件2)，删除非字母数字字符和多余的空格，以及降低大小写和词干[ 32文本。我们使用Weka NGram Tokenizer提取n-gram (n=1-3)作为词袋表示中的特征。我们使用径向基函数核并设置 成本在 c= 32。对于基于bert的分类器，我们通过规范化url和用户名并将文本小写来预处理推文。对于训练，我们使用随机梯度下降优化，批次大小为8,15个epoch，学习率为0.001。在训练期间，我们使用带注释的tweet对transformer模型的所有层进行了微调。为了优化性能，在每个epoch之后，在训练集的5%分割上对模型进行评估。为了评估我们方法的可扩展性，我们随后对198,674条未标记的推文进行了自动分类，这些推文由119,640名用户发布，这些推文是从Twitter流API ( 多媒体附件1)在2021年5月4日至2022年3月9日之间，并提到了一种选定的家庭关系( 多媒体附件2)．

自动分类的基准性能表明，我们带注释的数据集对于准确识别家庭成员患有痴呆症的Twitter用户具有实用价值，并且对未标记的推文部署自动分类表明可以识别出大量用户。因此，我们的带注释的数据集使Twitter的使用能够扩大直接针对痴呆症患者家庭照顾者的可访问的、基于互联网的干预措施。因为我们的方法涉及识别提到家庭关系的推文，这也将使干预措施能够为护理接受者量身定制。

我们识别家庭照顾者的方法假设有患有痴呆症的“近亲”可能意味着使用者参与照顾;然而，在这项研究中确定的用户可能不一定是护理人员，或者可能曾经是护理人员，但现在不再是。我们采用这种方法是因为我们相信，将我们的护理人员识别限制在那些明确表示他们正在提供持续护理的用户上，将无法充分利用Twitter大规模接触护理人员的潜力。

本文提出了一种带有注释的数据集和基准分类模型，用于自动识别有痴呆症家庭成员的Twitter用户，使Twitter的大规模使用不仅可以探索家庭护理人员在推文中的经历，而且可以直接针对这些用户进行干预。