臉書發文也能預測憂鬱症?從動態分析看出其中奧妙之處

圖片出處 @pixabay

撰文|蔡岷哲

你是否曾有這樣的經驗:曾經有那麼一陣子,心情感到沮喪,甚至是湧現憂鬱的情緒,而你選擇在社群平台上發個文來記錄、抒發當下的心情;或是在網路上,看到朋友發布了一篇新貼文,卻讓螢幕後的你都能感受到他那盪到谷底的情緒?想必上述狀況是許多人在這個社群媒體發達的時代中時常碰到的經驗。但你知道除了抒發情緒之外,這些使用比較沮喪、負面詞彙和語句的貼文,也能夠預測未來罹患憂鬱症的可能性嗎?

●憂鬱症帶來的巨大挑戰

憂鬱症或許是最廣為人知的心理疾病之一,你可能時常碰到朋友說自己最近很不開心或是無精打采,然而這樣就代表是得到憂鬱症嗎?事實上,對於憂鬱症的界定可是存在著嚴謹的準則呢!除了經由臨床專家判斷一個人是否在一定時間裡經驗到多樣的症狀,如食慾、睡眠受到影響,或是對事物的興趣減少,以及時常感到疲倦或無精打采等等,也可以發現這樣的變化對於生活或是其他領域(如:學業、職業等)產生明顯的苦惱與不適。根據最新的精神疾病診斷準則(DSM-5),發現憂鬱症在美國的十二個月盛行率有7%,在臺灣也是許多人前往身心科就診的原因之一。

而近年則有學者開始以社群軟體作為研究的主題來探討一些心理疾病的區分篩檢能力,例如在2017年時,有學者以知名社群軟體-Twitter作為研究主題,想瞭解Twitter推文與憂鬱和傷後壓力症候群的關聯,結果發現文章狀態對這兩種心理疾病具備有效的篩檢效果。而在2018年,來自美國賓州大學正向心理學中心的Eichstaedt以及其他單位的學者,因為有感於未來憂鬱症人口的增長對疾病的篩檢及辨識形成了急迫的需求,而開始探討更多的預測方式。他們使用的是確診憂鬱症患者在得到診斷之前,臉書過往的動態更新狀況和內容,來思考是否可以去預測之後第一次的罹病診斷。這樣的研究模式除了和先前提過的Twitter研究一樣使用貼近民眾的媒介之外,更是以病患的電子病歷資料來作為罹患憂鬱症客觀對照資料。

●新興的憂鬱狀態檢視方式崛起

研究者以臉書的發文做為研究素材,在經過層層條件篩選後以114名病患作為研究對象。除此之外,為了更貼近憂鬱症的人口比例,更隨機以1:5的比例納入沒有罹患憂鬱症的其他病患。他們以機器學習的方式運用這些病患的發文長度、頻率、以及發文的時間和其他資料來形成預測模型,也以接收者操作特徵曲線 (Receiver operating characteristic, ROC curve) -探討合適區分標準(閾值)的信號偵測模型分析-來與過去用自我報告方式進行的篩檢量表比較模型預測的差異,並試圖去瞭解在什麼樣的時間之前檢視這些發文資料會有最合適的效果。

結果發現當以臉書狀態做為預測模型的資料來源時具有不錯的區分能力,在分析中研究者也發現在從939,530個動態所歸納提取的200個主題後,並以字典資料庫比對發文的字詞,可以觀察到10項主題是與未來憂鬱最有關連性,像是以「眼淚」、「哭泣」等字詞形成的主題,或是以「生病」、「頭痛」、「感覺」為主的主題。這些主題若以概念劃分則可分為:憂鬱心情/情緒、孤獨感、敵意、身體抱怨,以及醫療相關議題共五項;最後,儘管越靠近憂鬱症初發時間的發文狀態可以越有效的去區分,然而在3個月前的發文狀態就有不錯的預測效果。研究者提到在使用這樣新興的檢測方式時,務必注意保密性原則、保護資料以及如何適當的使用如此具有隱私性的資料,也需要讓受試者瞭解使用的脈絡以及用途為何。

隨著科技的快速進展,社群媒體的普及和隨身裝置的便利性勢必能夠為心理疾病篩檢的工具提供多樣化的應用,在擁有跨越時間、空間的優勢下,能夠蒐集在傳統工具身上較難以獲得的豐富訊息。儘管在目前要應用這方面的篩檢方式或許還需要一段時間,不過這樣的相互輔助,也使得前線的臨床工作者或是有興趣的學者及專家,能夠更詳盡的針對想瞭解的議題深入探討。

 

參考資料:

  1. Eichstaedt, J. C., Smith, R. J., Merchant, R. M., Ungar, L. H., Crutchley, P., Preoţiuc-Pietro, D., ... & Schwartz, H. A. (2018). Facebook language predicts depression in medical records. Proceedings of the National Academy of Sciences, 115(44), 11203-11208.
  2. Reece, A. G., Reagan, A. J., Lix, K. L., Dodds, P. S., Danforth, C. M., & Langer, E. J. (2017). Forecasting the onset and course of mental illness with Twitter data. Scientific reports, 7(1), 13006.
  3. American Psychiatric Association (2014)。DSM-5精神疾病診斷準則手冊(台灣精神醫學會譯)。台北:合記。(原著出版:2013年)
  4. 衛生福利部統計處(106)。精神疾病患者門、住診人數統計。台北:衛生福利部。

加入好友

1,228 人瀏覽過