基于上下文情感变换器的心理健康案例预测评论分析模型

心理健康（MH）评估和预测已成为医疗保健中的关键领域，利用自然语言处理（NLP）的发展。机器学习的最新进展促进了基于用户生成评论的心理健康预测模型的探索，但这些模型往往忽视了情感注意机制的整合。这些方法在处理上下文细微差别和情感细腻性时经常遇到困难，导致预测效果不佳。当前的主要挑战在于准确理解文本评论中嵌入的情感上下文，这对于有效的预测和干预至关重要。本文提出了一种新颖的方法，采用基于上下文情感变换器的模型（CETM）进行心理健康案例预测中的评论分析。CETM 利用了最先进的变换器架构，增强了上下文嵌入层和情感注意机制，用于心理健康案例预测。通过结合上下文信息和情感线索，CETM 能捕捉用户评论中表达的潜在情感状态和心理健康指标。通过广泛的实验和评估，Roberta 与双向编码器表示变换器（BERT）模型在准确率、精确率、召回率和F1分数上均优于缺乏情感注意机制的对应模型。特别地，当采用情感注意机制时，Roberta 模型达到94.5%的较高准确率，而 BERT 为87.6%。因此，通过在预测模型中融合情感上下文，我们实现了显著改进，这为更精确和个性化的心理健康干预提供了有希望的途径。