説明可能なうつ病リスク軌道マッピングのためのニューロセマンティックグラフ融合とグラフ強化RoBERTaフレームワーク
Neuro-semantic graph fusion for explainable depression risk trajectory mapping using a graph-enhanced RoBERTa framework
本研究では、ソーシャルメディア分析におけるうつ病の早期特定を支援するため、ハイブリッドニューロセマンティックフレームワーク「Graph-RoBERTa-CL」を提案する。このフレームワークは、RoBERTaによる意味的エンコーディング、グラフアテンションネットワーク(GAT)による関連投稿間の関係性集約、およびクラス不均衡下での潜在空間正則化のための教師あり対照学習(SCL)を統合している。これにより、ソーシャルメディアコーパスからの説明可能なうつ病リスク軌道マッピングが可能になる。フレームワークは、232,074件の投稿(78,541人のユニークユーザー)からなるSuicide Detection Datasetで訓練・検証され、ユーザーレベルでのデータ分割により訓練セットとテストセット間の重複を排除した。独立した検証セット(3,900件の投稿)でも評価が行われた。内部テストセットでは、Graph-RoBERTa-CLは精度91.2%、適合率89.7%、再現率93.1%、F1スコア0.914、AUC 0.962を達成し、BERT-baseやLSTM-Attentionを大幅に上回った。外部検証セットでもF1 0.882、AUC 0.941を達成し、モデルの汎化能力を確認した。本フレームワークは、デジタルエコシステムにおける積極的なメンタルヘルススクリーニングのための、解釈可能で倫理的に根拠のあるメカニズムを確立するものである。
- RoBERTaとグラフアテンションネットワークを統合した「Graph-RoBERTa-CL」フレームワークを提案し、内部的検証で精度91.2%、F1スコア0.914、AUC 0.962を達成
- Suicide Detection Dataset(232,074件の投稿、78,541人のユニークユーザー)を用いて訓練・検証し、外部検証セットでもF1 0.882、AUC 0.941を達成
本稿はソーシャルメディアデータを用いたうつ病早期検出のためのAIフレームワーク「Graph-RoBERTa-CL」を提案する研究であり、精度91.2%、F1 0.914という高い性能を達成している。デジタルメンタルヘルス市場の成長に伴い、ソーシャルメディア分析による心理状態モニタリング技術はヘルステック領域での応用可能性が高い。ただし、本件は学術研究フェーズの成果であり、商用化や調達などの具体的な投資イベントにはまだ至っていない点に留意が必要。