IntroductionMental illness is a lea

Introduction
Mental illness is a leading cause of disability worldwide. It is estimated that nearly 300 million people suffer from de-pression (World Health Organization, 2001). Reports on lifetime prevalence show high variance, with 3% reported in Japan to 17% in the US. In North America, the probabil-ity of having a major depressive episode within a one year period of time is 3–5% for males and 8–10% for females (Andrade et al., 2003).
However, global provisions and services for identifying, supporting, and treating mental illness of this nature have been considered as insufficient (Detels, 2009). Although 87% of the world’s governments offer some primary care health services to tackle mental illness, 30% do not have programs, and 28% have no budget specifically identified for mental health (Detels, 2009). In fact, there is no reliablelaboratory test for diagnosing most forms of mental illness; typically, the diagnosis is based on the patient’s self-reported experiences, behaviors reported by relatives or friends, and a mental status examination.
In the context of all of these challenges, we examine the potential of social media as a tool in detecting and predict-ing affective disorders in individuals. We focus on a com-mon mental illness: Major Depressive Disorder or MDD1. MDD is characterized by episodes of all-encompassing low mood accompanied by low self-esteem, and loss of in-terest or pleasure in normally enjoyable activities. It is also well-established that people suffering from MDD tend to focus their attention on unhappy and unflattering infor-mation, to interpret ambiguous information negatively, and to harbor pervasively pessimistic beliefs (Kessler et al., 2003; Rude et al., 2004).
People are increasingly using social media platforms, such as Twitter and Facebook, to share their thoughts and opinions with their contacts. Postings on these sites are made in a naturalistic setting and in the course of daily ac-tivities and happenings. As such, social media provides a means for capturing behavioral attributes that are relevant to an individual’s thinking, mood, communication, activi-ties, and socialization. The emotion and language used in social media postings may indicate feelings of worthless-ness, guilt, helplessness, and self-hatred that characterize major depression. Additionally, depression sufferers often withdraw from social situations and activities. Such chang-es in activity might be salient with changes in activity on social media. Also, social media might reflect changing so-cial ties. We pursue the hypothesis that changes in lan-guage, activity, and social ties may be used jointly to con-struct statistical models to detect and even predict MDD in a fine-grained manner, including ways that can comple-ment and extend traditional approaches to diagnosis.
Our main contributions in this paper are as follows:
(1) We use crowdsourcing to collect (gold standard) as-sessments from several hundred Twitter users who report that they have been diagnosed with clinical MDD, using the CES-D2 (Center for Epidemiologic Studies Depression Scale) screening test.(2) Based on the identified cohort, we introduce several measures and use them to quantify an individual’s social media behavior for a year in advance of their reported on-set of depression. These include measures of: user en-gagement and emotion, egocentric social graph, linguistic style, depressive language use, and mentions of antidepres-sant medications.
(3) We compare the behaviors of the depressed user class, and the standard user class through these measures. Our findings indicate, for instance, that individuals with de-pression show lowered social activity, greater negative emotion, high self-attentional focus, increased relational and medicinal concerns, and heightened expression of reli-gious thoughts. Further, despite having smaller egonet-works, people in the depressed class appear to belong to tightly clustered close-knit networks, and are typically highly embedded with the contacts in their egonetwork.
(4) We leverage the multiple types of signals obtained thus to build an MDD classifier, that can predict, ahead of MDD onset time, whether an individual is vulnerable to depression. Our models show promise in predicting out-comes with an accuracy of 70% and precision of 0.74.
We believe that this research can enable new mecha-nisms to identify at-risk individuals, variables related to the exacerbation of major depression, and can frame directions on guiding valuable interventions.

ผลลัพธ์ (ไทย) 1:

แนะนำทนเจ็บป่วยเป็นสาเหตุของความพิการทั่วโลก มันคือประมาณว่า เกือบ 300 ล้านคนประสบ pression ชื่น (องค์การอนามัยโลก 2001) รายงานเกี่ยวกับอายุการใช้งานชุกแสดงผลต่างสูง มีรายงานในญี่ปุ่น 17% ในสหรัฐอเมริกา 3% ในอเมริกาเหนือ probabil-ity มีตอน depressive เป็นหลักภายในระยะเวลา 1 ปีเป็น 3-5% สำหรับชายและ 8-10% สำหรับหญิง (Andrade และ al., 2003)อย่างไรก็ตาม บทบัญญัติสากลและบริการสำหรับการระบุ สนับสนุน และรักษาโรคจิตของธรรมชาตินี้ได้ถูกถือเป็นพอ (Detels, 2009) แม้ว่า 87% ของรัฐบาลโลกนำเสนอบริการดูแลสุขภาพโรคจิตเล่นงาน 30% มีโปรแกรม ก 28% มีงบประมาณไม่ได้ระบุเฉพาะสำหรับสุขภาพจิต (Detels, 2009) ในความเป็นจริง มีทดสอบ reliablelaboratory ไม่วินิจฉัยรูปแบบส่วนใหญ่ของโรคจิต ปกติ การวินิจฉัยขึ้นอยู่กับประสบการณ์รายงานตนเองของผู้ป่วย รายงานพฤติกรรม โดยญาติ หรือเพื่อน และการตรวจสอบสถานะจิตในบริบทของความท้าทายเหล่านี้ทั้งหมด เราตรวจสอบศักยภาพของสังคมเป็นเครื่องมือในการตรวจสอบและกำลังทำนายผลความผิดปกติในบุคคล เราเน้นการ com จันทร์จิตป่วย: เศร้าหรือ MDD1 MDD เป็นลักษณะ โดยตอนของท่านต่ำสุดอารมณ์ด้วยค่า และสูญเสียใน terest หรือความสุขในกิจกรรมสนุกสนานตามปกติ ก็ดีขึ้นว่า คนที่ทุกข์ทรมานจาก MDD มักจะ เน้นความสนใจของพวกเขาไม่มีความสุข และ unflattering infor-mation การตีความข้อมูลชัดเจนในเชิงลบ และท่าความเชื่อในเชิงลบ pervasively (Kessler et al., 2003 หยาบและ al., 2004)คนมากขึ้นจะใช้แพลตฟอร์มสังคม Twitter และ Facebook ร่วมความคิดและความเห็นของพวกเขากับผู้ติดต่อของพวกเขา บนเว็บไซต์เหล่านี้จะลงในหลักสูตร ของ ac-tivities ทุกวันและสถานที่ สำคัญ ในการตั้งค่าแบบ naturalistic เช่น สังคมแสดงวิธีการสำหรับการจับภาพพฤติกรรมคุณลักษณะที่เกี่ยวข้องของแต่ละความคิด อารมณ์ สื่อสาร ความ สัมพันธ์ activi และสังคม อารมณ์และภาษาที่ใช้ในสังคมลงอาจบ่งชี้ความรู้สึก สบาย ๆ สามหาว ความผิด helplessness และ self-hatred ที่สำคัญภาวะซึมเศร้า นอกจากนี้ ผู้ที่ทรมานจากโรคซึมเศร้ามักจะถอนตัวออกจากสถานการณ์ทางสังคมและกิจกรรมการ ช้าง-es ดังกล่าวในกิจกรรมอาจเด่น มีกิจกรรมในสังคม ยัง สังคมอาจสะท้อนถึงการเปลี่ยนแปลงเสมอดังนั้นซึ่งกันและกัน เราไล่ตามสมมติฐานที่ลาน-guage กิจกรรม การเปลี่ยนแปลง และความสัมพันธ์ทางสังคมอาจใช้ร่วมรุ่นสถิติคอน struct ตรวจแม้ทำนาย MDD อย่างทรายแป้งละเอียด รวมทั้งวิธีที่สามารถ comple-ติดขัด และขยายวิธีดั้งเดิมเพื่อการวินิจฉัยผลงานของเราหลักในเอกสารนี้จะเป็นดังนี้:(1) เราใช้ crowdsourcing เพื่อเก็บ (มาตรฐาน) เป็น sessments จากหลายร้อย Twitter ผู้รายงานว่า พวกเขาได้รับการวินิจฉัยกับ MDD ทางคลินิก การใช้ทดสอบตรวจงาน CES-D2 (ศูนย์ Epidemiologic ศึกษาภาวะซึมเศร้าระดับ) (2) เราตาม cohort ระบุ แนะนำวัดต่าง ๆ และใช้ในการกำหนดพฤติกรรมของแต่ละสังคมปริมาณปีล่วงหน้าของรายงานในชุดของ ได้แก่การประเมิน: ผู้ใช้น้ำ gagement และอารมณ์ กราฟ egocentric สังคม ลักษณะภาษาศาสตร์ ใช้ภาษา depressive และกล่าวถึงของยา antidepres-ลีโอ(3) เราเปรียบเทียบพฤติกรรมของคลาสผู้ใช้เรื่องราว และระดับผู้ใช้มาตรฐาน โดยมาตรการเหล่านี้ ผลการวิจัยของเราระบุว่า เช่น บุคคลกับ pression ชื่นแสดงกิจกรรมทางสังคมลดลง อารมณ์เชิงลบมากขึ้น ความสูง self-attentional เกี่ยวข้องสัมพันธ์กัน และยาเพิ่มขึ้น และการเติบ reli gious คิด เพิ่มเติม แม้จะมี ขนาดเล็ก egonet-งาน คนชั้นต่ำปรากฏเป็นสมาชิกของเครือข่าย close-knit คลัสเตอร์แน่น และโดยทั่วไปสูงฝังอยู่กับผู้ติดต่อใน egonetwork ของพวกเขา(4) เราใช้หลายชนิดของสัญญาณล่วงหน้าเวลาที่เริ่มมีอาการ MDD ได้รับดังนั้นเพื่อสร้างการ classifier MDD ที่สามารถทำนายว่า บุคคลเสี่ยงโรคซึมเศร้า รุ่นของเราแสดงเข้ามาสัญญาในการทำนายอย่างแม่นยำ 70% และความแม่นยำของ 0.74เราเชื่อว่า งานวิจัยนี้สามารถใช้กลไก nisms ใหม่เพื่อระบุบุคคลที่มีความเสี่ยง ตัวแปรที่เกี่ยวข้องกับ exacerbation สำคัญโรคซึมเศร้า และสามารถกรอบทิศทางในการนำงานวิจัยที่มีคุณค่า