KI-Modell kann den Schweregrad von Depressionen anhand der Facebook-Posts von Weißen vorhersagen
30.03.2024 Laut einer online in den Proceedings of the National Academy of Sciences veröffentlichten Studie gibt es Unterschiede beim Ausdruck von Depressionen in der Kommunikation in den sozialen Medien, die auf der Hautfarbe basieren.
Dr. Sunny Rai von der University of Pennsylvania in Philadelphia und Kollegen untersuchten, ob die Hautfarbe die Beziehung zwischen Sprachmerkmalen in Facebook-Posts (d. h. Ich-Pronomen und negative Emotionen) und selbstberichteter Depression moderiert. Die Analyse umfasste eine gemischte Stichprobe von 868 schwarzen und weißen englischsprachigen Personen.
Die Forscher fanden heraus, dass der Schweregrad der Depression die Nutzung des Pronomens „Ich“ bei weißen Personen vorhersagt, nicht aber bei dunkelhäutigen Personen. Weiße Teilnehmer nutzten mehr mit Zugehörigkeit und Selbstabwertung verbundene negative Emotionen.
Obwohl die Modelle für maschinelles Lernen mit ähnlichen Datenmengen trainiert wurden, schnitten sie bei der Vorhersage des Schweregrads der Depression schlechter ab, wenn sie an schwarzen Personen getestet wurden. Die Ergebnisse blieben auch dann bestehen, wenn die Modelle ausschließlich mit der Sprache schwarzer Personen trainiert wurden. Entsprechende Modelle, die an weißen Personen getestet wurden, schnitten relativ gut ab.
„Es ist wichtig, darauf hinzuweisen, dass die Sprache der sozialen Medien und sprachbasierte KI-Modelle nicht in der Lage sind, psychische Erkrankungen zu diagnostizieren – sie sind auch kein Ersatz für Psychologen oder Therapeuten -, aber sie sind sehr vielversprechend, um bei der Früherkennung und bei der Entwicklung personalisierter Interventionen zu helfen“, so Rai in einer Erklärung. „Es sind noch viele Verbesserungen erforderlich, bevor wir KI in die Forschung oder die klinische Praxis integrieren können, und die Verwendung vielfältiger, repräsentativer Daten ist eine der wichtigsten.“
© Psylex.de – Quellenangabe: Proceedings of the National Academy of Sciences – https://doi.org/10.1073/pnas.2319837121