Sentiment Analysis of Thought-Related Language in the Context of Cognitive Disorders Using Machine Learning, Transformer-based Architecture and Large Language Models

Der menschliche Geist ist ein ständiger Strom von Kommentaren, eine fortlaufende Erzählung von Überzeugungen, Sorgen und Hoffnungen, die prägt, wie wir die Welt erleben. Psychologen wissen seit langem, dass die Art und Weise, wie Menschen mit sich selbst sprechen, von Bedeutung ist; wenn dieser interne Dialog hart oder verzerrt wird, kann er Individuen in Kreisläufen von Angstzuständen und Depressionen gefangen halten. Jahrzehntelang erforderte die Identifizierung dieser schädlichen Denkmuster einen geschulten Experten, der aufmerksam zuhören und die Nuancen der Sprache eines Patienten interpretieren musste. Heute, da Menschen ihr Innenleben verstärkt offen in sozialen Medien teilen, ist eine neue Frage aufgetaucht: Können Computer diese digitalen Gedanken mit der gleichen Sorgfalt lesen? Dieses Feld, bekannt als computergestützte psychische Gesundheit (computational mental health), versucht, die Werkzeuge der Sprachanalyse zu nutzen, um Muster in Texten zu erkennen, die auf emotionale Not hinweisen. Die Herausforderung besteht darin, zwischen einer flüchtigen schlechten Stimmung und einer tief verwurzelten negativen Denkweise zu unterscheiden – eine Aufgabe, die nicht nur das Zählen von Wörtern erfordert, sondern das Verständnis für das Gewicht dessen, was gesagt wird.

Ein Team von Forschern an der Islamic University of Technology hat einen bedeutenden Schritt zur Beantwortung dieser Frage unternommen, indem sie ein System entwickelten, um den emotionalen Ton von online geäußerten Gedanken zu klassifizieren. Sie baten einen Computer nicht einfach nur zu raten, ob ein Satz glücklich oder traurig sei; statstattdessen konzentrierten sie sich spezifisch auf „gedankenbezogene“ Sprache – Aussagen, die offenbaren, wie eine Person ihre Realität interpretiert. Zu diesem Zweck sammelten sie eine massive Sammlung von 156.785 Beiträgen von Social-Media-Plattformen wie Reddit, Twitter und Facebook. Sie brauchten eine Methode, um diese Millionen von Wörtern in zwei Kategorien zu sortieren: positiv und negativ. Zuerst verwendeten sie ein spezialisiertes Computerprogramm, das darauf ausgelegt ist, den Slang und den informellen Ton sozialer Medien zu verstehen, um jedem Beitrag ein vorläufiges Label zuzuweisen. Um sicherzustellen, dass diese Labels vertrauenswürdig waren, brachten sie anschließend zwei approbierte Psychologen hinzu. Diese Experten überprüften eine Zufallsstichprobe von 500 Beiträgen und bewerteten sie auf einer Skala, um zu sehen, ob die erste Vermutung des Computers mit dem menschlichen Urteil übereinstimmte. Die Experten stimmten der Klassifizierung des Computers in der überwiegenden Mehrheit der Fälle zu, was bestätigte, dass der Datensatz zuverlässig genug war, um eine Maschine darauf zu trainieren, den Unterschied zwischen konstruktivem und destruktivem Denken zu erkennen.

Mit einem sauberen, verifizierten Datensatz in der Hand testeten die Forscher eine Vielzahl von Computermodellen, um zu sehen, welches die Klassifizierung am besten durchführen konnte. Sie begannen mit traditionellen Methoden, die wie einfache, effiziente Taschenrechner funktionieren und nach spezifischen Wörtern und deren Häufigkeit suchen. Sie testeten auch fortgeschrittene „Transformer“-Modelle, die komplexere Systeme sind, die in der Lage sind, den Kontext und die Beziehung zwischen Wreten in einem Satz zu verstehen, ähnlich wie ein menschlicher Leser die volle Bedeutung einer Geschichte erfasst, anstatt nur einzelne Vokabeln wahrzunehmen. Schließlich probierten sie ein großes Sprachmodell (Large Language Model) aus – eine leistungsstarke Art von künstlicher Intelligenz, die darauf ausgelegt ist, menschenähnliche Texte zu generieren – indem sie es anwiesen, die Gedanken anhand spezifischer Anweisungen zu klassifizieren. Die Ergebnisse waren überraschend für diejenigen, die davon ausgehen, dass größere, komplexere Modelle immer besser sind. Die traditionellen, einfacheren Modelle schnitten tatsächlich besser ab. Ein spezifischer Typ eines einfachen Algorithmus, bekannt als logistische Regression, erreichte die höchste Genauigkeit und identifizierte die Stimmung der Gedanken in fast 93 Prozent der Fälle korrekt. Die komplexeren Transformer-Modelle waren zwar ebenfalls sehr gut, erreichten aber eine etwas geringere Genauigkeit von etwa 84 Prozent. Das große Sprachmodell schnitt trotz seines Rufs für Intelligenz in dieser spezifischen Aufgabe am schwächsten ab und lag bei etwa 80 Prozent.

Die Forscher fanden heraus, dass für die kurzen, direkten Sätze, die typisch für soziale Medien sind, die einfacheren Modelle tatsächlich effektiver waren. Diese Modelle waren erfolgreich, weil die negativen und positiven Gedanken in dem Datensatz oft klare, explizite Wörter enthielten, die ihren Ton signalisierten, was es unnötig machte, dass der Computer eine tiefe, komplexe Argumentation durchführt, um sie zu verstehen. Die fortgeschritteneren Modelle, die darauf ausgelegt sind, lange, nuancierte Narrative zu verarbeiten, hatten hier keinen Vorteil und hatten mit der spezifischen Aufgabe der binären Klassifizierung teilweise zu kämpfen. Die Studie zeigte auch, dass das System bemerkenswert konsistent war; als die Forscher die Modelle an verschiedenen Teilen der Daten testeten, blieben die Ergebnisse stabil, was zeigte, dass das System nicht nur Antworten auswendig lernte, sondern tatsächlich die Muster des Denkens begriff.

Entscheidend ist, dass die Autoren betonen, dass dieses System ein Werkzeug für die Forschung ist, kein Diagnoseinstrument für Einzelpersonen. Der Computer ist darauf trainiert, den emotionalen Ton eines Satzes zu erkennen, nicht um eine psychische Erkrankung zu diagnostizieren oder festzustellen, ob eine Person unter einer spezifischen Störung leidet. Ein negativer Gedanke, der online gepostet wird, kann eine vorübergehende Frustration widerspiegeln und nicht unbedingt ein klinisches Problem; das System ist darauf ausgelegt, diese linguistische Realität widerzuspiegeln und nicht das Urteil eines Arztes zu ersetzen. Die Arbeit dient als Fundament für die zukünftige Forschung, indem sie einen großen, verifizierten Datensatz und einen klaren Beweis dafür liefert, dass leichte, effiziente Werkzeuge sehr effektiv bei der Analyse der emotionalen Landschaft des menschlichen Denkens in großem Maßstab sein können. Indem sie bewiesen, dass einfache, transparente Methoden in diesem speziellen Kontext komplexere übertreffen können, legt die Studie nahe, dass der Weg nach vorn zum Verständnis der psychischen Gesundheit durch Sprache in Klarheit und Präzision liegen könnte statt in reiner Rechenleistung.