心理健康素養推文自動分類之研究

推特上不乏使用者貼出描述心情的各式推文，分析這些推文，可協助瞭解個體的心理狀態，對促進大眾心理健康的研究將有所助益。本研究擬對推文中關於心理健康素養方面的簡短文本，進行自動分類。使用包括傳統機器學習以及BERT、SetFit、GPT-3、GPT-4等人工智慧的技術，將其自動分類到五個面向中的11個題項，每個題項都有五個相關強度分數。期望在有限的人工標記的訓練資料下，機器預測的成效要到0.8以上，達到機器有效協助心理健康研究的目的。研究結果顯示使用SetFit進行自動分類，多數題項都能達到MacroF1約0.8的標準，只有兩個題項成效在0.65左右。本研究的貢獻之一，在呈現並比較多種自然語言處理...

Full description

Saved in:
Bibliographic Details
Published in:教育資料與圖書館學 2024-03, Vol.61 (1), p.005-027
Main Authors: 曾偉紘(Wei-Hung Tseng), 連盈如(Yin-Ju Lien), 陳昭慧(Chao-Hui Chen), 謝建成(Jiann-Cherng Shieh), 曾元顯(Yuen-Hsien Tseng)
Format: Article
Language:Chinese
Subjects:
Automatic classification
Deep learning
Few-shot fine-tuning
Machine learning
Scopus
TSSCI
少樣本微調
機器學習
深度學習
自動分類
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:推特上不乏使用者貼出描述心情的各式推文，分析這些推文，可協助瞭解個體的心理狀態，對促進大眾心理健康的研究將有所助益。本研究擬對推文中關於心理健康素養方面的簡短文本，進行自動分類。使用包括傳統機器學習以及BERT、SetFit、GPT-3、GPT-4等人工智慧的技術，將其自動分類到五個面向中的11個題項，每個題項都有五個相關強度分數。期望在有限的人工標記的訓練資料下，機器預測的成效要到0.8以上，達到機器有效協助心理健康研究的目的。研究結果顯示使用SetFit進行自動分類，多數題項都能達到MacroF1約0.8的標準，只有兩個題項成效在0.65左右。本研究的貢獻之一，在呈現並比較多種自然語言處理派典，在這些困難任務中，其文字理解與分析上的成效
ISSN:1013-090X