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

人类的心智是一个不断的评论流，是一段关于信念、忧虑和希望的持续叙述，它塑造了我们体验世界的方式。心理学家早已理解，人们如何与自己对话至关重要；当这种内在对话变得严苛或扭曲时，会将个体困在焦虑和抑郁的循环之中。几十年来，识别这些有害的思维模式需要经过专业训练的专业人员去仔细倾听并解读患者语言中的细微差别。如今，随着人们在社交媒体上更公开地分享内心生活，一个新问题出现了：计算机能否以同样的细致程度来阅读这些数字化的思想？这一被称为“计算精神卫生”的领域，试图利用语言分析工具来检测能够预示情绪困扰的文本模式。挑战在于，如何区分转瞬即逝的坏心情与根深蒂固的负面思维方式，这项任务不仅需要统计词汇的数量，还需要理解言语背后的分量。

伊斯兰科技大学的一个研究小组通过构建一个系统来对网络表达的思想进行情感基调分类，在回答这个问题方面迈出了重要一步。他们并非简单地要求计算机猜测一个句子是快乐还是悲伤；相反，他们专门关注“与思想相关”的语言——即那些揭示一个人如何诠释其现实的陈述。为此，他们收集了来自 Reddit、Twitter 和 Facebook 等社交媒体平台的 156,785 条帖子的大规模集合。他们需要一种方法将这些数百万个词汇分为两类：积极和消极。首先，他们使用了一种专门设计的计算机程序，该程序旨在理解社交媒体上的俚语和非正式语气，从而为每条帖子分配一个初始标签。为了确保这些标签的可信度，他们随后引入了两名执业心理学家。这些专家审查了随机抽取的 500 条帖子，并根据一个量表进行评分，以观察计算机的初始判断是否符合人类的判断。专家们在绝大多数情况下都认同计算机的分类，这证实了该数据集足以可靠地训练机器去识别建设性思维与破坏性思维之间的区别。

在拥有了干净且经过验证的数据集后，研究人员测试了各种计算机模型，以观察哪一个能最好地执行此类分类任务。他们从传统方法开始，这些方法就像简单的、高效的计算器，通过寻找特定的单词及其频率来进行工作。他们还测试了先进的“Transformer”模型，这类模型更为复杂，能够理解句子中单词之间的上下文和关系，类似于人类读者理解故事的全貌而非仅仅是单个词汇。最后，他们尝试了一个大语言模型——一种旨在生成类人文本的强大人工智能类型——通过给予特定指令来让其对思想进行分类。结果令那些认为规模更大、更复杂的模型总是更好的假设者感到惊讶。传统的、更简单的模型实际上表现得更好。一种被称为逻辑回归的特定简单算法取得了最高的准确率，正确识别思想情感的次数接近 93%。更复杂的 Transformer 模型虽然也非常出色，但得分略低，约为 84% 的准确率。大语言模型尽管享有智能美誉，但在这一特定任务中的表现最弱，正确率约为 80%。

研究人员发现，对于社交媒体上典型的短促、直接的句子，较简单的模型实际上更为有效。这些模型之所以成功，是因为数据集中的负面和正面思想通常包含清晰、显性的词汇来传达其基调，因此不需要计算机进行深层的、复杂的推理来理解它们。而那些旨在处理长篇、微妙叙事的先进模型在这里并没有优势，有时甚至会在处理此类特定分类任务时表现挣扎。研究还表明，该系统具有显著的一致性；当研究人员在数据的不同部分进行测试时，结果保持稳定，这表明该系统并非仅仅在死记硬背答案，而是在真正学习思维的模式。

至关重要的是，作者强调该系统是一个研究工具，而非针对个人的诊断设备。计算机被训练用于识别句子的情感基调，而不是用于诊断某种精神健康状况或确定一个人是否患有特定的疾病。在网上发布的负面想法可能反映的是暂时的挫折感，而非临床问题，该系统旨在反映这种语言层面的现实，而非取代医生的判断。这项工作是未来研究的基础，提供了一个大规模、经过验证的数据集，并清晰地展示了轻量级、高效的工具在分析人类思想的情感图谱方面可以是非常有效的。通过证明在这一特定语境下，简单、透明的方法可以胜过复杂的方法，这项研究表明，通过语言理解心理健康的途径可能在于清晰与精准，而非单纯的计算能力。