Исследователи представили первый систематический обзор датасетов для выявления ментальных расстройств, использующих данные вне социальных сетей. Традиционные методы NLP и машинного обучения часто опираются на посты пользователей, что создает риски предвзятости, этические проблемы и угрозы приватности. Работа систематизирует альтернативные источники данных, позволяя повысить точность и надежность диагностических моделей в клинической и социальной практике.
Использование данных из социальных сетей ограничено спецификой поведения пользователей, которые склонны к самоцензуре или искажению реальности. Кроме того, такие выборки часто не репрезентативны для широких слоев населения. Авторы обзора анализируют альтернативные способы сбора информации, включая клинические записи, биометрические показатели и результаты опросов, которые позволяют строить более объективные предиктивные модели.
Переход к не-социальным данным открывает новые возможности для разработки инструментов поддержки принятия врачебных решений. Это позволяет интегрировать ИИ-системы в медицинские информационные системы, обеспечивая более высокий уровень конфиденциальности и соблюдение этических стандартов при обработке чувствительной информации о здоровье пациентов.
Ключевые факты
- Исследование сфокусировано на преодолении предвзятости выборок, характерной для анализа данных из социальных сетей.
- Рассмотрены альтернативные источники данных: клинические отчеты, медицинские записи и физиологические показатели.
- Выявлены критические проблемы текущих методов: нарушение приватности, этические риски и отсутствие стандартизации данных.
- Работа является первым систематическим обзором, классифицирующим доступные датасеты для диагностики ментальных расстройств вне контекста соцсетей.