JFR JMIR表格副本 形成性研究 2561 - 326 x 卡塔尔世界杯8强波胆分析 加拿大多伦多 v6i9e39013 36136394 10.2196/39013 原始论文 原始论文 基于web的心理健康社区中的心理弹性:建立一个半自动文本分析的心理弹性词典 蒂芙尼 Shuqing Makwana Gautam Yong-Bin 博士学位 1
澳大利亚研究委员会自动化决策与社会卓越中心(ADM+S) 史文朋科技大学 约翰·圣 山楂 3122年维多利亚, 澳大利亚 61 3 9214 5904 ykang@swin.edu.au
https://orcid.org/0000-0002-0120-2582
McCosker 安东尼 博士学位 1 2 https://orcid.org/0000-0003-0666-3262 特拉 彼得 博士学位 2 https://orcid.org/0000-0003-3934-1403 农民 博士学位 2 https://orcid.org/0000-0003-1730-2622
澳大利亚研究委员会自动化决策与社会卓越中心(ADM+S) 史文朋科技大学 维多利亚 澳大利亚 社会创新研究所 史文朋科技大学 维多利亚 澳大利亚 通讯作者:康永斌 ykang@swin.edu.au 9 2022 22 9 2022 6 9 e39013 25 4 2022 19 5 2022 6 6 2022 18 8 2022 ©康永斌,Anthony McCosker, Peter Kamstra, Jane Farmer。最初发表在JMIR形成研究(https://formative.www.mybigtv.com), 22.09.2022。 2022

这是一篇开放获取的文章,根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布,该协议允许在任何媒体上不受限制地使用、分发和复制,前提是原始作品首次发表在JMIR形成研究,并被适当引用。必须包括完整的书目信息,https://formative.www.mybigtv.com上的原始出版物链接,以及版权和许可信息。

背景

韧性是一个公认的基于力量的概念,它对变化、逆境和危机做出反应。这一概念为个人和基于社区的心理健康问题预防方法提供了基础,并形成了数字干预措施。在线心理健康同伴支持论坛为分享心理问题的亲身经历和寻求支持提供了可访问的场所,在增强复原力方面发挥了突出作用。然而,很少有人研究复原力是否以及如何实现复原力,阻碍了服务提供者优化复原力结果的能力。

客观的

本研究旨在创建一本反映心理健康在线同伴支持论坛中心理弹性的特点和实现的词典。研究结果可用于指导进一步的分析,并通过有针对性的调节和管理改善心理健康论坛的弹性结果。

方法

提出了一种基于主题建模和定性内容分析的半自动弹性词典创建方法。我们提出了一个系统的四阶段分析管道,它预处理原始论坛帖子,发现核心主题,概念化复原力指标,并生成复原力字典。我们的方法应用于澳大利亚SANE(精神分裂症:国家紧急情况)运营的一个精神健康论坛,分析了2018年至2020年期间2357名用户的70179篇论坛帖子。

结果

本研究开发的弹性词典和分类法揭示了弹性指标(即“社会资本”、“归属感”、“学习”、“适应能力”和“自我效能”)是如何被论坛上经常讨论的主题所表征的;每个主题的前10个最相关的描述性术语及其同义词;以及弹性的相关性,反映了一种更全面(或复合)的指标分类,更有可能促进其他指标的实现。研究表明,在2年的研究周期中,“学习”、“归属感”和“社会资本”三个韧性指标的实现度更高,“归属感”和“学习”是“社会资本”和“适应能力”的基础。

结论

本研究提供了一个弹性词典,它可以提高我们对弹性如何在基于网络的心理健康论坛中实现的理解。该词典提供了关于如何改进培训以支持和增强自动化系统以调节心理健康论坛讨论的新指南。

弹性的字典 心理健康 同伴支持论坛 主题建模 文本分析 内容审核
简介 背景

心理健康是我们个人和集体思考、相互交流和享受生活的基本能力[ 1].心理健康挑战在全球范围内日益增加,对社会和经济繁荣造成不利影响[ 2- 4].2017年的调查[ 5]发现全球约七分之一的人(相当于10亿人)患有精神疾病。在澳大利亚,政府统计报告显示,约20%的人(480万)经历过与焦虑相关的疾病和抑郁等心理健康问题[ 6].2020年至2021年2019冠状病毒病大流行期间,340万名16岁至85岁的澳大利亚人(占该年龄段的17%)向心理健康专业人士寻求帮助[ 7].随着封锁和保持社会距离的要求,COVID-19大流行与一些人所说的“前所未有的精神健康危机”有关[ 8,加速对社区和数字干预措施的需求[ 9].

向他人寻求支持是增强复原力的重要组成部分[ 10].在此基础上,已经证明 在线同伴支持心理健康论坛(例如,由慈善机构Beyond Blue在澳大利亚运营的那些 11, SANE[精神分裂症:国家紧急状况]澳大利亚[ 12]和ReachOut [ 13])在建立社会联系、分享知识和经验以及为有精神疾病病史的人提供情感支持方面发挥着越来越重要的作用[ 4 14].此类论坛通过使人们能够直接接触到分享经验、咨询和指导的人,补充了公共资助和私营卫生服务。在论坛内,受过专门培训的工作人员、志愿者和未受过培训的同行提供了一个支持性和安全的空间,让人们进行交谈和发表意见[ 15 16].证据表明,其好处包括以下方面[ 17:(1)建立安全和信任的关系,(2)确保相互和互惠的价值观,(3)促进经验知识的验证和应用,(4)通过同伴支持使同伴发挥领导作用,(5)使同伴发现和利用自己的优势。作为临床和远程保健服务的补充,仍然需要更好地了解同行支持论坛的优势,并优化其管理和调节。

弹性是一个公认的基于优势的概念,而不是基于缺陷或伤害的概念。培养复原力是解决社区环境中心理健康问题的一种经常被建议的方法,属于卫生保健的预防性模式[ 8 18 19].韧性在不同学科中被理解为一种面对逆境、创伤、悲剧、威胁甚至重大压力来源时的个人和集体适应能力[ 20.].在应对挑战时,适应力强的个人和社区可以利用个人和集体的心理社会资源来应对和适应[ 4].因此,一个人的适应力可以对他们的心理健康产生积极影响。然而,还需要更多的研究来了解心理弹性的特征,以及它是如何通过专门的基于网络的心理健康支持环境(如同伴支持论坛)的互动来实现的。这项研究提供了一种方法和发现,可以帮助论坛服务提供者展示他们的成果,并调整他们的审核实践,以优化弹性建设交互。

之前的工作

尽管在线心理健康同伴支持论坛在建立弹性方面具有潜在效用, 是否而且 如何 恢复力得以实现参与者的研究很少受到关注。当弹性或基于强度的资源是现有研究的重点时,方法分为两个流:(1)使用用户调查的定性分析和(2)使用人工或更大规模的人工智能技术对基于web的论坛数据进行定性和定量分析。第一种方法是在特定事件(如COVID-19大流行)期间,通过基于网络的用户调查,手动识别复原力的各个方面及其与心理健康的相互关系。 9 19)或来自某些群体(如大学生)[ 18或青少年[ 21])。用户调查数据不太擅长显示弹性是如何通过论坛互动和话语实现的,因为它是横断面的时间点,并提出了由调查设计师提出的具体问题,这可能与论坛用户的感知和体验不一致。

第二种研究方向随着自然语言处理(NLP)和机器学习的最新进展而发展。这些方法已显示出将论坛内容作为探索公共卫生问题的数据集的前景[ 22].然而,这些工作大多关注的是“风险”和“危害”,而不是优势。例如,一个分类系统被用于协助基于网络的同伴支持,根据版主关注的迫切程度将论坛信息分类为不同的风险级别[ 23].一项研究[ 3.比较了两个基于网络的抑郁论坛(Beyond Blue [ 11), r /抑郁在Reddit [ 24])使用基于用户情绪和讨论主题的自然语言处理技术。NLP技术也被用于识别来自网络健康论坛(HealthBoards [ 25,激励[ 26]和HealthUnlocked [ 27)与COVID-19大流行有关,这是基于心理健康消费者之间的对话。其他研究已经将NLP应用于检测情绪和情绪(如恐惧、愤怒、悲伤和快乐)[ 28- 30.]用于诊断抑郁症[ 31 32理解悲伤的过程[ 33和重读[ 34].如前所述,这些研究倾向于针对与精神疾病健康相关的风险,在识别基于网络数据集的基于力量的交互作用以及基于网络的服务如何有助于产生积极的健康结果方面存在差距。

本研究的目的

随着精神卫生服务部门寻求优化和扩大数字支持干预措施,需要对论坛活动进行分析和监测的新方法。在这项研究中,我们利用NLP技术来揭示弹性指标,以及弹性是如何在在线同伴支持论坛中实现的。这项工作为论坛如何通过建立一个 弹性的字典这揭示了在两年的论坛活动中讨论的韧性主题。

更具体地说,我们生成的弹性词典显示了(1)表征弹性的主题类型和(2)不同弹性指标与它们的实现之间的关系。这些见解揭示了具体弹性指标的更广泛(更抽象或更普遍)和更狭隘(更具体)的性质。论坛服务提供商和研究人员可以使用弹性词典来说明弹性是由论坛启用的,以及它是如何发生的。它可以帮助监控论坛用户在一段时间内实现的弹性变化,并了解是什么导致了弹性变化,无论是在论坛内部还是在外部事件的刺激下。通过建立一种在非结构化文本数据中量化弹性的方法,弹性词典可以帮助论坛管理者和创建者更有策略地思考如何设计论坛、更有效地维护和调节论坛。揭示韧性的特征和随着时间的推移它的实现程度也可以帮助非营利组织吸引资金来维持和进一步发展这些论坛。

为了达到我们的目标,我们调查了以下研究问题:

RQ1:我们如何使用主题(即帖子的主要主题)及其描述术语来描述弹性指标?

RQ2:随着时间的推移,恢复力指标是如何实现的?哪些指标比其他指标更占优势?

RQ3:我们如何创建一个反映每个弹性指标的特征和弹性指标之间相关性的弹性字典?

为了解决这些rq,我们采用了一种半自动的方法 主题建模(NLP中的一种统计建模)和开发 人类的知识

为了解决RQ1,我们探索了发现主要主题概念的最佳方法 主题,在论坛数据中使用主题建模。随后,使用定性方法,我们将这些主题映射到弹性指标。这些主题及其描述术语构成了韧性词典的受控词汇。

为了研究RQ2,我们观察了 弹性患病率通过分析指定时间段内输入论坛数据的比例。然后,我们分析了每个弹性指标随时间的流行程度。

为了探究RQ3,我们使用映射到每个弹性指标的主题的结果创建了一个弹性字典。为了确定恢复力指标在实现方面的相关性,我们检查了来自输入论坛的恢复力指标的共出现模式,以自动构建一个恢复力指标的分类法(即, 弹性分类).这种弹性分类法阐明了弹性指标是依赖于其他弹性指标还是独立于其他弹性指标。

在这项研究中,我们使用了SANE Australia的两个论坛提供的数据。SANE论坛是澳大利亚最大的基于网络的心理健康同伴支持社区之一,18岁以上有心理健康问题的人可以在这里注册并参与支持、培训和教育。用户可以通过论坛与其他经历类似心理健康挑战的人(即同伴)进行互动。

据我们所知,本研究首次通过研究主题与心理韧性指标之间的关系,并利用NLP和人类知识分析基于网络的心理健康论坛的心理韧性指标之间的相关性,探索构建心理韧性词典。本研究的意义在于以下几个方面。首先,我们介绍了基于力量的弹性是如何在基于网络的心理健康论坛中发展的,基于更广泛的网络心理健康讨论。之前的研究曾试图实现这一点;然而,它们的规模较小,受特定事件(如COVID-19大流行)的限制[ 8 9 14]或按某些年龄组别划分[ 2 18 21].第二,韧性词典可以提供循证信息,帮助设计和维持更好的心理健康支持服务,并改善对寻求心理健康支持的人的响应。特别是,这种好处对于非营利的精神卫生组织来说是很有价值的,因为这些组织经常难以获得和分配资源来改善他们的服务。最后,这项工作表明,如何通过使用支持论坛数据使精神卫生服务更加有效,这些数据的价值正日益得到承认[ 22 30.].

方法 总体设计 概述

创建弹性字典的半自动方法的4个阶段如下所示 图1.论坛上的帖子 第一个预处理以确保识别并执行标记化以生成有意义的术语。 第二个,使用主题建模来发现帖子中讨论的关键主题。 第三,使用专题编码过程将主题映射到弹性指标框架。 第四,通过对各岗位回弹性指标的共现分析,建立了回弹性分类体系。将韧性分类与前4个阶段的所有结果进行整合,生成韧性词典。在接下来的章节中,在介绍了数据集和研究中使用的弹性指标的性质之后,我们将详细描述各个阶段。

四阶段分析管道,用于预处理论坛帖子,查找主题,概念化弹性指标,并构建弹性字典。NMF:非负矩阵分解;词性:词性。

SANE论坛数据

SANE Australia是一个全国性的精神健康慈善机构,通过提供同伴支持服务、培训和咨询,为受精神疾病影响的澳大利亚人提供支持。SANE数据来自两个网络论坛:(1)“生活体验论坛”和(2)“朋友、家人和照顾者论坛”。前者是为有复杂心理健康问题的人准备的,而后者是为他们的支持者和照顾者准备的。精神健康论坛由精神健康从业员负责管理,旨在提供一个安全及匿名的网上空间,供人们讨论精神健康及相关问题[ 35].论坛为参与者提供社会联系,允许分享感受和情绪,并提供通过对话产生的信息源。论坛讨论的目的是帮助受精神疾病影响的消费者探索积极途径,解决影响其生活的问题。根据SANE 2020年年度报告,2020年有21,041名注册论坛成员,151,137名澳大利亚人使用了论坛[ 35].

我们从2018年第三季度(2018年7月开始)至2020年第四季度(2020年12月结束)的SANE论坛上获得了全国帖子样本。共有2357个用户的70179个帖子在与SANE论坛管理者合作的研究中被获取和使用。

弹性指标

借鉴Berkes和Ross提出的弹性框架[ 36结合了心理学和社区发展方法,我们确定了个人和社区复原力的共同组成部分。伯克斯和罗斯[ 36]设计了一个与人们在社区中的生活有关的复原力概念框架,使这一概念能够考虑到影响个人心理健康和福祉的更广泛的生态系统因素。尽管有一系列的恢复能力的方法,这个框架对于理解论坛成员如何实现恢复能力是有用的,因为他们既位于实际的社区,也位于基于网络的基于同伴的论坛社区。

所采用的复原力方法的前提是,有复原力的人和社区需要获得一系列个人、人际或社区资源。根据研究证据,这些包括 学习或获得新的知识、信息和技能,从而提高应对变化的能力[ 37]; 社会资本或者进入人际网络,获得支持、信任和他们可以促进的融合;一种感觉 归属感,包括属于群体和地方,接受成为群体的一部分,以及导致身份形成的过程[ 38]; 适应能力或者利用资源实现适应和积极的行为改变[ 39];而且 自我效能感或能够自我组织或朝着受控状态工作[ 36].这些指标的定义以及如何在心理健康的背景下概念性地实现 表1.在本研究中,韧性词典的生成是基于这5个指标进行的。

从理论上讲,我们预计在基于网络的讨论环境中(与其他环境相比),每种弹性指标的表现方式会有一些变化,它们的流行程度也会有所不同[ 36].这意味着,一些指标应该作为生成器或资源,另一些指标应该作为弹性能力的属性或特征,如适应能力或自我效能的实例。通过RQ3对这些依赖性进行了测试,并应用了第4阶段中描述的分类学分析。

弹性指标,它们的定义,以及它们在网络论坛上的概念实现。

弹性指标 定义 在社区论坛中实现
社会资本[ 38 进入社交网络,获得支持、信任和社交整合

形成社会联系,个人可以利用它来获得信任和支持

表示愿意分享与心理健康问题相似的经历

属于( 38 属于人和地方,接受成为群体的一部分,以及导致识别形成的过程

向别人介绍自己

与那些遇到类似挑战的人分享故事和亲身经历,按照他们自己的节奏参与进来

学习( 37 获取知识、信息和技能发展

与他人分享应用和经验知识

提供如何实践良好心理健康的建议,以及如何使用心理健康服务的策略

适应能力[ 39 使用能使适应和积极行为改变的资源

在回应论坛上的建议或信息时,自我报告自己的活动或行为变化

自我效能感( 36 自我组织能力或朝着受控状态工作的能力

交流对他们生活或状况的控制感

支持他人,让他们为自己改变的行为或积极的生活方式选择负责,让他们感觉一切尽在掌握

伦理批准

大学伦理委员会批准了该研究(R/2019/033)。此外,我们始终坚持SANE的道德规范和数据治理政策,包括建立数据共享协议、匿名发帖以保护论坛用户的身份,以及应用数据安全协议。

第一阶段:论坛帖子的预处理

在预处理阶段,目标是将每个帖子分解成更小的基本意义单元。删除了用户标识符(id或名称)以识别帖子。然后把帖子分成句子,进行词性标注,去掉停顿词(例如,,并不载有有用的资料)。其余的术语被转换成它们的词元化形式,以将单词的屈折变化形式组合在一起。因为太短而无法为主题建模增加价值的帖子(<5个术语)被删除。最后,剩下的术语被用作下一个“主题建模”阶段的输入。

阶段2:主题建模 概述

主题建模因其在大量文本文档语料库中发现潜在主题的能力而受到关注[ 40 41].主题是一个特定的、可识别的主题,由一组表示该主题特征的内聚术语定义。非负矩阵分解[ 42]被选为一种方法,因为它在短文本文档中发现主题的有效性,以及发现广泛和特定主题的能力。作为一种分析论坛帖子的方法,NMF可以帮助识别长期以来经常讨论的广泛主题和可能与周期性事件相关的更具体的主题[ 43].

NMF的一个关键思想是分解术语文档矩阵 n通过一个( n是论坛帖子的数量,和是项的个数)变成2个非负子矩阵, n通过 kW ( k题目的数量)和 k通过H,使得A近似于W和H的乘积,记为A在A中,一个词在文档中的权重是通过一个定义良好的方法来度量的,该方法为词频率-文档频率逆加权方案[ 44,通过术语频率和罕见度。The matrix W represents the document membership weights over the topics. Each row denotes a document, and each column corresponds to a topic. Sorting the values of a column (topic) provides the ranking of the most relevant documents for the column. The matrix H contains the term weights relative to each of the topics. A row defines a topic. Sorting the values on each row provides the ranking of the most relevant terms (descriptors) of each topic.

主题输入生成

经过预处理后,每个帖子都用一个术语列表表示。在应用主题建模之前,我们执行了两个步骤来生成主题输入。在第一步中,根据一年“一个季度”的持续时间,将帖子分成不相关的集合。这个收集期最适合确定细粒度的主题(即既不太宽泛也不太具体)。从2018年第三季度到2020年第四季度,这产生了10个帖子集合。第二步是从每个集合中使用术语频率逆文档频率加权方案构建术语文档矩阵a。

两层NMF主题建模

两层NMF方法[ 45]被应用于术语文档矩阵(用A*表示),以发现更广泛(寿命更长)和更具体(寿命更短)的主题。该过程提取了整个时间框架(2018年第三季度至2020年第四季度)中观察到的更广泛的主题,以及每个季度期间的特定主题,生成两个主题层。在第一层,我们发现 k主题,叫做 基本主题,从A*的每个术语文档矩阵A中取NMF,其中 k是用户指定的参数。这一层的输出是一组由两个矩阵组成的集合,W和H,它们来自所有不相交的post collection,分别用W*和H*表示。在第二层,我们确定了另一种类型的主题,称为 合奏的话题通过分析2018年Q3 - 2020年Q4生成的所有基础主题的相似和变化。将H*(中的每个矩阵H叠加,得到一个基本主题项矩阵B。 图2).每个H包括 k主题及其组成术语。在B中,每一行对应一个基本主题,每一列是来自原始帖子的一个术语。B中的每个条目显示了一个术语与基本主题关联的权重(或重要性),其中权重由第一层NMF推断。如 图2, B的尺寸为10 × k通过,为H*,由H的10个不同矩阵(从2018年Q3到2020年Q4)和条款。

将第一层非负矩阵分解生成的H*矩阵叠加,构造矩阵B的概念说明。

从B开始,我们应用NMF生产 k”集成主题,其中 k”为用户指定的参数,因此产生B≈W' × H',其中(1)W'表示'集合主题的基础主题成员权重,(2)H'矩阵表示每个集合主题的术语权重。为了得到集合主题上原始帖子的隶属度权重,我们计算了以下表达式:

D≈c × w 'T(方程1)

这里,C是基于文档的主题矩阵,通过将W*的每个矩阵W叠加而成,其方法与B由H*的矩阵生成的方法相同。D为文档集成主题矩阵,W'T是W'的转置。D中的每一行都是一篇原创文章,每一列代表一个综合主题。

阶段3:弹性概念化 概述

在本节中,我们将介绍如何使用相关主题概念化每个弹性指标。在此背景下,概念化指的是根据定性论坛帖子中的相关讨论主题(即主题),指定弹性指标特征的过程。首先,我们介绍了如何使用发现的主题来描述每个指标。其次,我们提出了一种确定弹性指标是否时变的方法。这可以提供对它们随时间变化的动态特性的额外洞察。

将主题映射到弹性指标

在这里,我们的目标是将主题与相关的弹性指标(即,与前面讨论的预定弹性框架相关)联系起来。为此,我们进行了定性内容分析,通过对论坛上发生的事情及其目的的了解来评估主题的含义,并将每个主题与相关指标联系起来。作为定性数据,我们分析了顶部的意义 N N是用户指定的参数)描述每个主题的术语。作为补充数据,我们还检查了与每个主题最相关的帖子,以更严格地分析与弹性指标相关的主题的意义。该内容分析使用预定义的弹性指标框架演绎执行。注意,根据主题分析,可以将主题映射到>1弹性指标。我们遵循了最近的一项工作,该工作显示了将主题建模与定性方法相结合的好处,特别是在分析的解释和上下文化阶段[ 46].在这里,我们的重点是基于最频繁包含主题的上下文和帖子的领域知识,了解主题的性质及其与弹性指标的关联。仅根据顶部不能对主题进行有意义的解释 N作为主题的单词并不是独立于它们出现的帖子。

生成和分析的两类定性数据如下。

首先,顶部 N从矩阵B生成的主题-术语矩阵H’中识别出最好地描述每个集成主题的术语(今后简称为“主题”)(回想第二阶段中提出的B≈W’× H’; 图2).注意,H'中的每一行表示所有术语相对于一个主题的权重。我们生成了这些顶部 N通过权重排序来表示。通过检查这些术语的总体含义,可以将每个主题映射到相关的弹性指标。的价值 N,我们用了15。

其次,我们将每个主题与其最相关的原始主题联系起来。这种关联是从矩阵D(方程1)中识别出来的,它表示已发现主题的原始帖子的隶属度权重。通过对这些权重进行排序,我们确定了排名靠前的每个主题最相关的帖子。在我们的研究中,我们选择使用20作为值.通过对这些帖子进行内容分析,我们深入了解了围绕每个主题的词汇和想法的范围。

弹性患病率分析

弹性患病率分析可以确定弹性指标随时间的实现的动态。我们将弹性流行率作为与最相关弹性指标相关的原始职位的比例进行估计。通过这种分析,我们确定了哪些弹性指标在特定时期得到了显著或模糊的实现。因此,利用弹性患病率分析估算了一种随时间变化的弹性实现模式。分析心理弹性的流行情况,有必要 注释每个岗位都有其最相关的弹性指标。这是通过以下2个步骤实现的。首先,回顾一下文档集成主题矩阵D(等式1),我们确定了每个帖子对每个主题的隶属度权重。根据每个帖子在所有主题中的权重,我们给每个帖子标注了权重最高的主题;因此,这个话题被视为这篇文章最重要的话题。其次,我们注意到每个主题都映射到上一步中的相关弹性指标(参见 将主题映射到弹性指标部分)。 图3使用人工示例演示这两个步骤。

说明用于注释带有最相关弹性指标的帖子的2个步骤。第一步展示了如何从等式1中的文档集合主题矩阵D中,用最相关的主题注释每个帖子。第二步用第一步的结果和从主题映射到它们最相关的弹性的结果的最弹性指标注释每个帖子。

阶段4:弹性词典的建立

在本节中,我们将介绍建立弹性分类法的动机和方法,该分类法是弹性词典的一部分。然后,我们详细阐述了弹性词典的定义和创建。

弹性分类推理

我们创建韧性分类的目的是提高我们对以下方面的理解:(1)韧性指标在实现方面的相关性(即,这些指标是独立实现的还是共同实现的)以及(2)哪些指标可能促进其他一些指标的实现。为了实现这一目标,我们的方法利用了恢复力指标的实现协同出现。通过带注释的帖子观察这些共同出现的情况(参见第3阶段的方法)。分类法可以以一种自动化的方式概念化指标之间的关系,为理解弹性实现关系提供信息。一般来说,分类学中的关键关系是“is-a”关系[ 47].“is-a”关系具有层次结构,因此,它的传递性是通过在分类法中实体之间的层次关系中导航来逻辑推断的。直观地说,在我们的环境中,弹性指标在弹性分类中的位置越高,它就越宽泛或越抽象。位置越低,特异性越强。给定2个指标之间的分类法的层次路径,我们可以推导出排名较低的指标,这些指标最有可能影响到更高指标的实现。因此,从分类法中得到的语义知识可以促进弹性指标的共实现分析。

为了创建一个弹性分类法,我们的基本目标是检查原始帖子中注释的弹性指标的共出现情况。特别地,我们使用了流行的包容方法[ 48 49],这已被证明对自然语言处理中的分类法学习是有效的;也就是说,从这种共现知识中,我们建立了一个弹性指标 x包含另一个弹性指标 y如果贴子加了注解 y帖子的子集是否带有注释 x.在此基础上,我们可以找到弹性指标之间的分类关系。

弹性字典生成

通过将研究结果汇总到这一点,我们生成了一个弹性词典,它表示(1)特定主题如何描述弹性指标,(2)每个主题如何用特定的描述性术语表示,以及哪些术语相似,(3)弹性指标之间存在什么样的语义关系。弹性词典可以提高对每个弹性指标意义的语义覆盖的理解和实现。该词典包括在 文本框1

弹性词典的功能。

弹性词典功能

弹性指标表示弹性指标。

指示在弹性分类法中确定的给定指标的直接父弹性指标。

主题提供与使用人类知识确定的每个复原力指标相关的主题列表。

主题的重量表示每个主题随时间变化的平均权重。为了计算这个权重,我们首先通过从文档集成主题矩阵d中确定该帖子相对于主题的最高成员权重来找到与每个帖子最相关的主题。在某种意义上,这个权重也被视为帖子中主题(最重要的主题)的权重。其次,我们计算了所有帖子中最重要主题的平均权重。因此,该特性表示每个主题相对于所有主题的相对重要性。

主题文字表示每个主题的前10个最具描述性的术语。

类似条款描述主题术语的同义词,旨在增加主题术语的语义。由于没有现有的基于网络的心理健康社区同义词词典,我们的方法利用了一种机器学习技术称为 字嵌入.单词嵌入用于识别每个主题术语的同义词,根据它们与输入论坛帖子中的其他术语共同出现。注意,单词嵌入倾向于通过识别在相似的上下文中一起出现的最近的单词来指示相似的单词。因此,根据输入上下文,单词嵌入捕获的同义词可能不是“纯粹的”同义词(例如,如果两个术语“good”和“bad”经常在类似的上下文中同时出现,它们可以被识别为同义词)。我们使用了一个名为word2vec [ 50]作为一个词嵌入模型,它在分析词的语义分析方面显示出许多优点。

结果 第一阶段:心理健康论坛帖子的预处理

2357名用户发布的70179条帖子中, 图4按时间季度显示帖子的数量。作为主题建模的输入,我们使用了69.56%(48,819/70,179)的帖子。注意,我们删除了30.44%(21,360/70,179)长度小于5字(即太短)的帖子。

图5显示post数据中按词频排序的前50个术语。大多数由名词混合而成(例如, 一天 帮助 需要 道路, 一年),动词(例如, 帮助 需要 感觉 知道 认为 想要, 对不起)和形容词(例如, 伟大的,),而副词的使用相对较少(例如, 真的).总的来说,从48,819个帖子中,我们在预处理阶段后提取了14,938个术语。这些职位的最低任期、平均任期和最高任期分别为6年、30年和1182年。

《精神分裂症:国家紧急情况(SANE)》论坛帖子摘要,样本为2018-第三季度至2020-第四季度。

从48819个帖子中观察到的词频排名前50的词汇。

阶段2:主题建模

根据2018年第三季度至2020年第四季度的数据,48819个帖子被拆分为10个不相关的帖子集合。从每个集合中,我们发现了使用NMF的主题。要生成主题, k而且 k”必须提供,在哪里 k而且 k”分别确定要生成的基本主题和集成主题的数量。没有通用的方法来确定这些数字[ 43].在我们的研究中,我们使用固定值10作为 k假设我们同样发现了每个集合中讨论的10个主要话题。初步实验发现 k=10(范围为 k=5-15)制作了一个信息丰富的主题集,既不太一般也不太具体。为了发现 k”综合主题,一个更复杂的方法应用变化 k”从10到20,以1为增量选择一个最佳数字。由于我们不知道有多少基本主题是相似的或不同的,我们在整个时间轴上用一种广泛使用的度量方法来测量基本主题的相似和差异, 主题连贯性 51].这种方法衡量的是顶部之间的相似程度 N每个主题的术语。从话题连贯的角度来看,可解释性较好的话题在所有生成话题的话题连贯得分中平均得分较高。为了衡量话题连贯性,我们使用了词汇嵌入[ 43,来衡量顶部和顶部之间的相似度 N主题中的术语。这种相似度是用嵌入词的向量之间的余弦相似度来估计的。的价值 N,我们使用10,遵循O 'Callaghan等人的研究建议[ 43].我们使用word2vec[从整个帖子数据中生成一个单词嵌入模型 50].最后,利用话题连贯度,我们选择了15作为最优值 k” 图6显示生成的15个集成主题。对于每个主题,前15个描述性词汇根据它们的权重(重要性)垂直排列(第一行是最具描述性的词汇)。主题中每个术语的权重由一个“红条”可视化显示,其中主题中所有术语的权重之和归一化为1。

15个生成的集成主题,其中每个主题由其前15个描述性术语表示。

阶段3:弹性概念化 主题与弹性指标的映射结果

根据以前的工作[ 52]是由4位在定性心理健康研究方面具有专业知识的研究人员(第二、第三和第四作者)进行的,以解释主题的含义并为它们分配描述性主题标签。这些标签,如图所示 图6,对每个主题进行描述,方法是找出已确定主题的前15个单词所表达的最合适的含义,以及与该主题相关的前20个帖子。首先,研究人员熟悉了主题建模结果,独立地注意到用于提供主题词和帖子语义代表性标签的初始想法。随后,对主题标签进行比较和改进,以达到令人满意的研究者之间的共识。然后,每个研究者根据已建立的弹性理论,通过演绎过程将最终商定的主题标签归为5个弹性指标中的≥1个。最后,团队对这些分组进行了评审,并对其一致性进行了改进( 表2).

确定的主题反映了论坛的目标,即为有精神健康问题的人提供持续的、可获得的、点对点的支持。虽然经常讨论抑郁和焦虑等精神疾病的具体情况,但它们并不是所确定主题的重点;也就是说,尽管一些主题直接表达了心理健康问题,如“睡眠”和“面对困难”,但日常挑战和社会联系和支持指标是更常见的主题。主题还有一个重要的时间维度,这是我们的方法的一个优势,因为我们会根据时间考虑主题。两年的帖子样本和基于季度的主题建模意味着年度事件或庆祝活动,如圣诞节、新年前夜和生日通常被引用,显示社交联系的重要性随着时间的推移成为论坛的一个特征。大多数话题表达了人际社会联系的建立和维持:“欢迎”、“同情”、“祝福”、“支持”、“爱”、“友谊”和“欣赏”。有几个话题比较自我导向:“感恩”、“反思”和“了解”。后者是衡量适应能力和自我意识的重要但罕见的指标,而自我意识是适应能力所必需的。

研究人员根据每个话题的前15个单词和相关的前20个帖子,演绎地将话题归因于弹性指标。对于主题是否符合所有弹性指标,以及主题是否可以归因于1、>1或没有指标,没有做任何假设。研究人员之间达成了强烈的一致意见,在达成一致之前,他们注意到一些微小的分歧并进行了讨论。将主题映射到弹性指标的结果见 表2,并附上示例帖子。

主题到弹性指标映射结果。

弹性指标 映射的话题 例子的帖子
社会资本 感恩、欣赏、日常生活、爱、支持、祝福、同理心、乐趣和友谊

“[…]you did good???? so you did do the dishes eventually. Just organised my bedside table and tidied backyard (courtyard), will get back to it in the morn, ta” [Gratitude]

“哇,谢谢你们这些不可思议的人类!”在此呼应x1000 [x的]情绪”[赞赏]

“从这些恶性循环中获得帮助的方法是谈论它们。把它们写在一张纸上然后交给pdoc会有帮助吗?“(支持)

归属感 感恩、欣赏、日常生活、爱、祝福、庆祝、共情、欢迎、乐趣和友谊

“再次欢迎来到这个论坛……],it sounds like you’ve been through a lot so it’s understandable that you’re under so much stress.” [Welcoming]

“新南威尔士州、维多利亚州、澳大利亚首都和塔西州的各位新年快乐”[庆祝活动]

“我也厌倦了我的身体问题,但一步一个脚印,我了不起的朋友,与你同行,我一直在这里,也……”(友谊)

学习 反思,支持和了解

“听音乐确实有帮助。需要学会摒弃那些无益的负面声音。“(支持)

“我很努力地想看透我的眼泪。这很困难,但我决心要达到目标。只是知道你在这里给了我力量x????“(了解)

适应能力 反射

“在这个过程中,我会一直想着你……),pray that the transition is as smooth as possible.” [Reflection]

自我效能感 面对困难和睡眠

“嗨,我感到非常焦虑,atm。我试图控制它,但感觉我的内心是一个巨大的颤抖的混乱。我感到呼吸急促,心跳加速。”(面对困难)

“焦虑超出了记录。我昨晚没睡好,所以睡眠不足,情绪非常低落。“睡眠

大多数话题被归因于指标“社会资本”和“归属感”。这与众所周知的社交媒体的属性是一致的,社交媒体鼓励和发挥作用的方式是交流,而不是信息或对话的意图。 53].在帖子广泛的社会语用功能中,我们可以看到一系列区分建立和维持社会联系的不同方法的主题。与“学习”、“适应能力”和“自我效能”相关的话题很少,这些可以被认为是表现出弹性的更明确的表达,改变、适应和应对成为可能。

弹性患病率分析结果

图7显示了从弹性流行度分析中得到的弹性流图,它确定了弹性指标随时间的实现的动态。创建此流图是为了可视化我们对弹性流行率的理解[ 54],这是一种流行的方法,用于显示不同类别(即弹性指标)随时间的变化。流图不是将数值可视化为传统的y轴,而是偏移每个“堆栈”的基线,使其围绕x轴对称。这就产生了一个显示值随时间变化的流形状。通过这个流图,我们分析了弹性指标在不同季度的实现情况,用x轴表示。

共3个研究结果可以总结为 图7.首先,每个指标的流行率根据职位的比例(y轴)而变化,每个单个流形状的高度表示每个指标随时间的流行率。y轴不是正的或负的,而是显示最好的堆叠排列。其次,在整个时间轴上,“学习”和“归属感”是最容易实现的两个指标。其次最常见的指标是“社会资本”,而“自我效能”和“适应能力”在时间轴上的实现较少,浅流形状在不同时间点出现和消失。第三,在时间轴上,前3个主要指标(即“学习”、“归属感”和“社会资本”)没有明显的季节性峰值和周期性模式。然而,在2020年第一季度,“归属感”和“社会资本”都略有增强。相比之下,“自我效能感”和“适应能力”的实现均随时间发生显著变化:(1)“自我效能感”在2019-Q1、2019-Q2、2019-Q4和2020-Q1几乎没有实现,(2)“适应能力”在2019-Q1、2019-Q4和2020-Q2至2020-Q4的实现似乎也非常弱。调查这些观察结果的可能原因可能是未来研究的一个有用领域。

精神分裂症恢复力指标的实现:澳大利亚国家紧急情况(SANE)。

阶段4:弹性词典的建立 弹性分类推论的结果

考虑到映射到岗位的弹性指标的共同出现,我们构建了一个弹性分类法。我们使用了树地图表示( 图8),表明弹性指标按2个层次共实现。第一个层次的指标是“归属感”和“学习”。这些是更高层次和更普遍的指标。这意味着这些指标的实现率很高,是恢复力的基本方面。“社会资本”指标是“归属”所包含的更具体的指标。这意味着,只要“社会资本”实现了,“归属感”也就最有可能实现。“学习”和“适应能力”也有同样的关联。从另一个角度,我们也可以对5个弹性指标的覆盖率进行解释,其中每个指标的覆盖率用矩形大小表示。“社会资本”的实现显然与“归属感”有关,而“适应能力”的实现则与“学习”有关。颜色用来表示相似的特征,其中更具体的指标用相同颜色的较暗强度表示。 The indicator “self-efficacy” was realized independently, regardless of the other 4 indicators. The emergent taxonomy can be used to gain insights into which indicators are more likely to corealize and what types of conceptual relations are observable between indicators, as inferred by their corealization.

根据澳大利亚《精神分裂症:国家紧急情况》帖子得出的恢复力分类法以树状图的形式表示,按矩形大小显示了每个恢复力指标概念的覆盖范围。

弹性字典生成结果

表3显示了创建的弹性字典,演示了(1)每个弹性指标的父指标,由“parent”表示,(2)与从中获得的每个指标相关的主题 表1(3)按“话题权重”计算主题的相对重要性;(4)按“话题词汇”计算每个主题的前10个描述性词汇。每个描述性术语的5个最相似的术语列于 多媒体附件1

综上所述,韧性词典提供了2套见解。首先,在整个研究期间和每个季度内确定了与不同弹性指标相关的主题集,揭示了恒定和周期性主题。这些主题和主题词形成了一组有用的语义集合,可以帮助描述每个弹性指标。其次,与弹性指标相关的主题权重、流行度和共出现度可用于构建弹性分类法。这种分类揭示了复原力的基本指标——归属感和学习——以及更具体、更不常见的指标——社会资本(包括归属感)和适应能力(包括学习)——以及独立于其他指标实现的自我效能。

本研究构建了韧性词典。

弹性指标、父级和主题 话题权重(%) 主题文字
社会资本
归属感
感激之情 3.6 好声音早上新闻主意听到运气高兴祝愿关心
升值 6.1 谢谢分享感谢回复文字种类标签真的看你
日常生活 7.7 一天今天照片散步生日伟大的美好的星期小的昨天
爱的 3.3 爱拥抱送思考猫关心hon大的愿望跳跃
支持 2.4 帮助需要支持谈话真正关心的地方尝试gp到达
好希望 1.6 希望生日好嗨,很快快乐,今天享受,很好,很高兴
同理心 1.3 抱歉听到真的高兴知道声音关心艰难时刻到达
有趣的 1.6 哈哈,好的,今天上班,是的,步行一周,是的,可能回家
友谊 1 朋友你好关心抱抱xx今天送牛逼大妈妈
归属感
感激之情 3.6 好声音早上新闻主意听到运气高兴祝愿关心
升值 6.1 谢谢分享感谢回复文字种类标签真的看你
日常生活 7.7 一天今天照片散步生日伟大的美好的星期小的昨天
爱的 3.3 爱拥抱送思考猫关心hon大的愿望跳跃
好希望 1.6 希望生日好嗨,很快快乐,今天享受,很好,很高兴
庆祝活动 3.1 新年快乐,圣诞快乐,生日快乐,祝福来到最后的家人
同理心 1.3 抱歉听到真的高兴知道声音关心艰难时刻到达
欢迎 11.5 支持欢迎会员大社区精神分享健康观体验
有趣的 1.6 哈哈,好的,今天上班,是的,步行一周,是的,可能回家
友谊 1 朋友你好关心抱抱xx今天送牛逼大妈妈
学习
反射 5.2 想人们的生活方式使尝试说需要来也许
支持 2.4 帮助需要支持谈话真正关心的地方尝试gp到达
知道 44.8 知道说要工作的人真的很努力让生活
适应能力
学习
反射 5.2 想人们的生活方式使尝试说需要来也许
自我效能感
面临的困难 2.6 感觉真的感觉让路自由坏了对的时候痛
睡眠 4 明天晚上睡觉,昨天晚上睡觉,今天睡觉,今天早点儿工作
讨论 主要研究结果

本文提出了一种半自动方法,从在线心理健康同行支持论坛的数据中生成韧性词典。它采用系统的四相分析管道( 图1)预处理原始论坛帖子,发现核心主题,概念化复原力指标,并生成复原力字典。我们希望探索弹性指标如何在基于网络的心理健康社区中实现,通过展示其主题范围或讨论方式,以及弹性不同方面之间的相互依赖性,丰富每个弹性指标的特征描述。

本研究的一个主要贡献是,它提供了一个可复制的方法,以生成进一步的弹性和其他主题或理论为重点的词典。提出的方法管道可应用于其他精神卫生组织主办的在线支持论坛,以更好地了解其基于网络的社区,并建立对恢复力实现的更深层次的理解。

为了解决RQ1问题,我们提出了一种方法,通过主题分析,使用两层NMF主题建模技术和人类知识来发现和标记15个实质性主题,并将它们映射到5个弹性指标。每个复原力指标都有其相关主题( 表2而且 3.).分析表明,随着时间的推移,我们发现了与建立和维持社会联系和联系、建立信任和归属感相关的话题,包括通过分享圣诞节、新年前夜和生日等里程碑事件,以及更多日常时刻。反思和知识分享说明了学习的重要性。此外,分享与精神疾病相关的困难和持续问题,如缺乏睡眠,说明了论坛对参与者在日常生活中面临的精神健康困难中导航自我效能和代理的作用。

我们追踪了相关职位随时间的比例,以揭示弹性的不同方面的流行(RQ2)。 图7“学习”、“归属感”和“社会资本”占主导地位,“自我效能”和“适应能力”出现的频率较低。这些发现也有助于回答RQ3,解决不同弹性指标之间的关系。为了进一步澄清,我们开发了一个弹性词典,它展示了每个弹性指标是如何通过一组相关主题、每个主题最相关的描述性术语(包括其同义词)以及从输入帖子数据中观察到的弹性指标之间的语义关系( 表3而且 多媒体附件1).为了建立不同复原力指标之间的相互依赖关系( 图8),强调弹性的生成器(归属感和学习)和结果导向(社会资本、适应能力和自我效能)指标之间的关系,与现有的弹性研究一致[ 27].

越来越多的研究试图评估基于网络的心理健康同伴支持的影响。同伴支持论坛提供了一种可以大规模提供支持的卫生干预形式;然而,它们在优化效益和评价方面的设计也面临挑战。新的NLP计算方法,结合定性分析,为解决这些挑战提供了机会。我们利用基于nlp的统计分析和定性分析来产生新的见解。这项工作超出了定性内容分析研究的能力,定性内容分析研究试图通过横断面和小规模的调查或访谈来确定对弹性的影响[ 9 14 18 19 21].

我们的工作确定了韧性的基于强度的指标以及它们之间的关系。这代表着一种进步或改变,以往的研究倾向于关注与心理健康有关的风险和负面问题,包括确定负面症状[ 31 32,情感[ 33 34],以及潜在的自残风险[ 23].尽管应对风险和干预以支持人们是很重要的,但审视基于网络论坛产生的优势和资源的能力也很重要。作为这些方法的补充,我们的工作采用了基于实力的方法,由此产生的韧性词典能够添加一个积极的背景,以加深对论坛影响及其最有效属性的理解。

弹性词典的好处在于,它可以用于:(1)显示当前理论所理解的弹性是通过论坛活动实现的;(2)提高对基于网络论坛实现的弹性各方面的理解;(3)建立以证据为基础的资源,用于培训工作人员和志愿者,展示如何对复原力的不同方面进行表征,以及如何在某些讨论中嵌入复原力主题;(4)通过使分析超越风险和伤害,转向基于力量的复原力指标,改进精神卫生论坛的设计和自动调节;(5)帮助进一步的文本分析,作为构建弹性检测系统的词汇集,可以帮助精神卫生保健提供者设计以改善其服务结果并说明其影响。

这项研究对潜在的深远领域的研究和实践具有重要意义。首先,人们对韧性本身、韧性如何形成、通过什么过程和手段知之甚少。心理弹性在心理健康实践中往往是一个定义不清的概念。在这里,我们展示了指标作为概念框架的一部分,如何随着时间的推移与基于网络的论坛中的活动和讨论产生共鸣。因此,通过对新数据应用当代数据分析技术,我们对这一有争议概念的社会和心理学知识做出了贡献。第二,就实践而言,这项工作显示了(重新)使用通过服务生成的新数据的潜力,以提供有助于设计和维护这些服务、更好地响应健康消费者并显示其影响的有用信息。对于努力获取和分配稀缺资源的非营利组织来说,这些都是重要的问题。这项工作应促使精神卫生服务机构提高处理数据的能力,因为它显示出数据和数据技能的巨大潜力和创新用途。

限制

这项研究有一些局限性,可以在未来的研究中加以解决。首先,它专注于从单一论坛和数据源(即SANE Australia)创建一个弹性词典。从多个数据源构建弹性字典并探索相似点和不同点将非常有用。通过这样做,我们可以深入了解各论坛的共同和独特的复原力指标。如果弹性实现是不同的,那么可以根据不同的论坛和组织目标、管理策略和用户统计数据来探讨这一点。其次,该研究是“静态的”,因为它使用了大量现有的历史数据。考虑到基于网络的心理健康论坛是一种日益增长的服务类型,研究如何使弹性词典能够根据新的论坛数据逐步发展可能是有用的。

结论

在这篇论文中,我们提出了一个有前途的方法来创建韧性词典,它提供了对心理健康同行支持论坛上的主要主题的见解,以及这些主题实现不同的韧性指标的方式。开发的混合NLP和定性方法为帮助论坛提供者通过基于强度的弹性分析分析论坛提供的影响奠定了新的基础。除了说明不同恢复力指标随时间的流行,分类法还展示了不同指标的相互依赖性,揭示了哪些指标是与他人(社会资本和适应能力)相关的基础(归属感和学习)。由此产生的弹性词典提供了一个基准和词汇集,可以帮助进一步的研究。它还可以用于通知自动化系统,通常根据与风险、伤害和精神疾病或痛苦的诊断指标相关的术语进行预测,为论坛内容和交互添加了基于实力的方法。

充满弹性的字典。

缩写 NLP

自然语言处理

NMF

非负矩阵分解

中移动

研究问题

理智的

精神分裂症:国家紧急状况

本研究由澳大利亚研究理事会自动化决策与社会卓越中心(CE200100005, 2020-2027)和澳大利亚研究理事会发现项目(DP200100419, 2020-2023)资助。作者也要感谢塔斯马尼亚大学Sherridan Emery博士对主题标签的帮助。

没有宣布。

精神卫生:加强我们的应对措施 世界卫生组织 2022 6 17 2022-06-17 https://www.who.int/news-room/fact-sheets/detail/mental-health-strengthening-our-response 安德森 K Priebe 年代 青少年心理健康研究中的弹性概念 J青少年健康 2021 11 69 5 689 95 10.1016 / j.jadohealth.2021.03.035 34045094 s1054 - 139 x (21) 00167 - 1 莫ß汉堡 l Wende F Brinkmann K 施密特 T 通过文本挖掘探索在线抑郁论坛:Reddit和策划在线论坛的比较 第五届社会媒体挖掘健康应用研讨会论文集&共享任务 2020 SMM4H 20 2020年6月28日 西班牙巴塞罗那 70 81 10.18653 / v1 / w18 - 5906 公园 Sarnikar 年代 J 基于短语级文本分析的在线健康社区中促进疗效的信息支持对健康恢复力的影响 正等 2020 12 57 8 103372 10.1016 / j.im.2020.103372 里奇 H 全球心理健康:从数据中得出的五个关键见解 我们的数据世界 2018 5 16 2021-09-16 https://ourworldindata.org/global-mental-health 烹饪 l 澳大利亚的心理健康:快速指南 澳大利亚议会 2019 2 14 2021-09-16 https://www.aph.gov.au/About_Parliament/Parliamentary_Departments/Parliamentary_Library/pubs/rp/rp1819/Quick_Guides/MentalHealth 国家心理健康和幸福研究 《2020-21年全国心理健康和福祉研究》的首次洞察 澳大利亚统计局 2021 8 12 2022-04-13 https://www.abs.gov.au/articles/first-insights-national-study-mental-health-and-wellbeing-2020-21 交流 特遣部队 吉瓦 2019冠状病毒病大流行期间的恢复力和心理健康:来自明尼苏达州和香港的研究结果 J影响不和 2021 12 01 295 771 80 10.1016 / j.jad.2021.08.144 34517251 s0165 - 0327 (21) 00949 - 6 PMC8422274 Verdolini N 爱情小诗 年代 Montejo l Garcia-Rizo C 霍格 B Mezquida G Rabelo-da-Ponte FD Vallespir C Radua J Martinez-Aran 一个 Pacchiarotti 罗莎 基于“增大化现实”技术 贝尔纳多 Vieta E 洪流 C 唯一的 B 2019冠状病毒病大流行期间的韧性和心理健康 J影响不和 2021 03 15 283 156 64 10.1016 / j.jad.2021.01.055 33556749 s0165 - 0327 (21) 00072 - 0 PMC7845537 梅奥诊所员工 适应力:培养忍受困难的技能 梅奥诊所 2021-09-17 https://www.mayoclinic.org/tests-procedures/resilience-training/in-depth/resilience/art-20046311 忧郁-超越蓝色论坛 2022-06-01 https://www.beyondblue.org.au/get-support/online-forums/depression 理智的澳大利亚 2022-06-01 https://www.sane.org/ 不会 2022-09-07 https://au.reachout.com/ Hechanova 先生 Alianan小 作为 Jocson RM Villasanta 美联社 2019冠状病毒病大流行期间的在线韧性支持小组:菲律宾的经验 医疗保健社会纳入 2022 26 1 56 65 10.1108 / mhsi - 06 - 2021 - 0038 费雪 海尔哥哥 米勒 SM 埃文斯 灾区 SL PY 德雷尔Valovcin D 可以见到效果 C COVID-19、压力、创伤和同伴支持——实地观察 Transl behavior Med 2020 08 07 10 3. 503 5 10.1093 / tbm / ibaa056 32569372 5860854 PMC7337751 McCosker 一个 参与在线心理健康:来自beyondblue论坛影响者的见解 新媒体学会 2018 07 11 20. 12 4748 64 10.1177 / 1461444818784303 吉拉德 年代 福斯特 R 吉布森 年代 戈德史密斯 l 标志着 J 白色 年代 描述一种基于原则的方法,以发展和评估同伴工作者的作用,因为同伴支持已成为主流精神卫生服务 医疗保健社会纳入 2017 06 12 21 3. 133 43 10.1108 / mhsi - 03 - 2017 - 0016 Y 的ZQ XC Margraf J 中国大学生心理弹性与心理健康的关系:纵向交叉滞后分析 前面Psychol 2020 2 5 11 108 10.3389 / fpsyg.2020.00108 32116918 PMC7012791 Riehm Brenneke SG 亚当斯 Gilan D Lieb K Kunzler 斯梅尔 EJ Holingue C 斯图尔特 EA 卡尔布 LG Thrul J 2019冠状病毒病大流行期间心理弹性与精神痛苦变化之间的关联 J影响不和 2021 03 01 282 381 5 10.1016 / j.jad.2020.12.071 33421866 s0165 - 0327 (20) 33161 - x PMC7889692 建立你的韧性 美国心理学会 2021-09-16 https://www.apa.org/topics/resilience WJ l XQ BX Y 摩根富林明 心理韧性在青少年负性生活事件与抑郁关系中的中介作用 高级精神科护士 2019 12 33 6 116 22 10.1016 / j.apnu.2019.10.004 31753216 s0883 - 9417 (19) 30270 - 5 康威 查普曼 WW 使用自然语言处理处理公共卫生研究问题的最新进展,使用社交媒体和消费者生成数据 医学年鉴 2019 08 28 1 208 17 10.1055 / s - 0039 - 1677918 31419834 PMC6697505 米尔恩 DN 麦凯布 吉隆坡 卡尔沃 类风湿性关节炎 通过自动分诊提高在线对等支持主持人的响应能力 J医学网络杂志 2019 04 26 21 4 e11410 10.2196/11410 31025945 v21i4e11410 PMC6658385 r /抑郁统计数据 Reddit 2022-06-01 https://subredditstats.com/r/depression HealthBoards 2022-06-01 https://www.healthboards.com 激励 2022-06-01 https://www.inspire.com HealthUnlocked 2022-06-01 https://www.healthunlocked.com Davcheva E 文字挖掘心理健康论坛-从用户体验中学习 第26届欧洲信息系统会议论文集 2018 欧洲互通性系统委员会的18 2018年6月23日至28日 英国朴茨茅斯 91 J Sheldenkar 一个 舒尔茨 PJ 胫骨 W 古普塔 R Y 推特上围绕COVID-19大流行的全球情绪:推特趋势分析 JMIR公共卫生监测 2020 05 22 6 2 e19447 10.2196/19447 32412418 v6i2e19447 PMC7247466 卡尔沃 类风湿性关节炎 米尔恩 DN 侯赛因 女士 克里斯坦森 H 使用非临床文本的自然语言处理在心理健康方面的应用 纳朗工程师 2017 01 30. 23 5 649 85 10.1017 / S1351324916000383 公园 一个 康威 在线健康社区成员心理状态的纵向变化:了解参与在线抑郁社区的长期影响 J医学网络杂志 2017 03 20. 19 3. e71 10.2196 / jmir.6826 28320692 v19i3e71 PMC5379019 Yazdavar Mahdavinejad 女士 巴贾杰 G Romine W Sheth 一个 Monadjemi Thirunarayan K Meddar JM 迈尔斯 一个 帕沙克 J Hitzler P 社交媒体中的多模态心理健康分析 《公共科学图书馆•综合》 2020 4 10 15 4 e0226248 10.1371 / journal.pone.0226248 32275658 玉米饼- d - 19 - 03990 PMC7147779 巴顿 麦克白 J Schoenebeck 年代 剪切 K K 在推特上包容悲伤:利用定性分析和自然语言处理的方法对参与帮派的青少年在推特上的悲伤表达进行分析 生物医学信息洞察 2018 4 3. 10 1178222618763155 10.1177 / 1178222618763155 29636619 10.1177 _1178222618763155 PMC5888812 宝贝 K Crutchley P 怀亚特 E 铜匠 G 小而有力:从社交媒体语言量化心理健康的情感微模式 第四届计算语言学与临床心理学研讨会论文集 2017 CLPsych的17 2017年8月3日 加拿大温哥华 85 95 10.18653 / v1 / w17 - 3110 2019-2020年SANE澳大利亚年度亮点 理智的澳大利亚 2021 2022-06-01 https://www.sane.org/about-sane/annual-reports-highlights 伯克 F 罗斯 H 社区复原力:走向综合方法 Soc自然资源 2013 01 26 1 5 20. 10.1080 / 08941920.2012.736605 棕色(的) K Westaway E 环境变化的机构、能力和恢复力:人类发展、福祉和灾难的教训 Annu Rev环境资源 2011 11 21 36 1 321 42 10.1146 / annurev -环境- 052610 - 092905 Skerratt 年代 加强农村社区弹性分析:来自社区土地所有权的证据 J农村种马 2013 07 31 36 46 10.1016 / j.jrurstud.2013.02.003 Fazey Fazey 晶澳 费舍尔 J Sherren K 沃伦 J 诺斯 射频 多佛 适应能力和学习能力是社会生态恢复力的杠杆 Front Ecol Environ 2007 09 5 7 375 80 10.1890 / 1540 - 9295 (2007) 5 (375: acaltl) 2.0.co; 2 Reisenbichler 发音 T 市场营销中的主题建模:最近的进展和研究机会 J公共汽车经济学 2019 89 3. 327 56 10.1007 / s11573 - 018 - 0915 - 7 Albalawi R 对啊 TH Benyoucef 对短文本数据使用主题建模方法的比较分析 前方Artif Intell 2020 7 14 3. 42 10.3389 / frai.2020.00042 33733159 PMC7861298 DD Seung 海关 用非负矩阵分解法学习物体的各部分 自然 1999 10 21 401 6755 788 91 10.1038/44565 10548103 奥卡拉汉 D 格林 D 凯西的 J 坎宁安 P 主题建模中描述符的一致性分析 专家系统应用程序 2015 08 42 13 5645 57 10.1016 / j.eswa.2015.02.055 Aizawa 一个 tf-idf度量的信息论视角 进程管理 2003 1 39 1 45 65 10.1016 / s0306 - 4573 (02) 00021 - 3 Belford Mac Namee B 格林 D 基于矩阵分解的主题建模的稳定性 专家系统应用程序 2018 01 91 C 159 69 10.1016 / j.eswa.2017.08.047 Isoaho K Gritsenko D 麦克拉 E 定性政策研究的主题建模和文本分析 政策学生J 2021 2 49 1 300 24 10.1111 / psj.12343 YB Haghigh PD Burstein F TaxoFinder:一种基于图的分类法学习方法 IEEE跨知数据工程师 2016 2 1 28 2 524 36 10.1109 / tkde.2015.2475759 YB 吸引 J 尼伯恩 l Sellis T 精练主题术语和用分类法支持主题索引的方法:APO数字资源库的一个案例研究 Decis支持系统 2021 07 146 113542 10.1016 / j.dss.2021.113542 德的访谈 J Frasincar F Hogenboom F 从文本中学习领域分类法:包容方法与层次聚类 数据知识 2013 01 83 54 69 10.1016 / j.datak.2012.10.002 Mikolov T K 柯拉 G 迪安 J 向量空间中词表示的高效估计 计算存储库 2013 Y H R Z J 基于LDA和NMF的短文本主题挖掘的实验探索 知识系统 2019 01 163 1 13 10.1016 / j.knosys.2018.08.011 布劳恩 V 克拉克 V 运用心理学中的主题分析 精神是平等的 2006 01 3. 2 77 101 10.1191 / 1478088706 qp063oa 米勒 V 新媒体,网络和交际文化 收敛 2008 11 01 14 4 387 400 10.1177 / 1354856508094659 报价 l 流图:如何制作它们以及你需要知道什么 蓬勃发展 2020 10 19 2021-10-10 https://flourish.studio/2020/10/19/streamgraphs/
Baidu
map