非社交媒体心理健康数据集系统性综述发布

背景

心理健康障碍的及时检测是社会面临的重大挑战。自然语言处理（NLP）和机器学习（ML）方法已被广泛应用于辅助检测，这些方法所依赖的数据主要来自社交媒体。然而，社交媒体数据集往往存在采样偏差以及固有的伦理和隐私问题。为了克服这些局限性，一个可行的方向是利用非社交媒体数据。当前，针对非社交媒体领域的自由文本数据集缺乏系统性的梳理与评估，这阻碍了相关研究的可靠性和临床相关性发展。

核心内容

本文首次对非社交媒体来源的自由文本数据集进行了全面的综述，旨在为心理健康研究提供替代数据资源。研究遵循PRISMA系统评价方法学，对多种语言的可用数据集进行了检索与整理。

综述发现，目前非社交媒体自由文本数据集主要集中在英语语种以及抑郁症检测任务上。这些数据集在人口统计特征、数据来源平台、数据类型、标注技术和方法论等方面存在显著差异。具体而言，数据集涵盖的群体特征不一，例如年龄、性别、地区等；平台包括临床电子病历、论坛、对话记录等非社交媒体渠道；数据类型包括患者自述、临床访谈、开放式问答等自由文本；标注方式涉及专家标注、自我报告、诊断编码等；研究方法则包括传统的特征工程和基于深度学习的方法。

系统综述还揭示了关键的研究空白：（1）现有数据集高度集中于英语和抑郁症，对其他语言（如中文、西班牙语等）以及其他心理健康障碍（如焦虑症、双相情感障碍、精神分裂症等）的关注严重不足；（2）数据集在临床相关性方面普遍较弱，缺乏与正式诊断标准的直接对应；（3）数据集的多样性不足，样本来源往往局限于特定地区或特定机构，难以推广到更广泛人群。这些发现为未来开发更具多样性、更可靠和临床相关的资源指明了方向。

关键要点

• 非社交媒体自由文本数据集是解决社交媒体数据采样偏差和隐私问题的重要替代方案。
• 综述采用PRISMA方法学，系统检索了多语种数据集。
• 现有数据集高度集中于英语和抑郁症检测，其他语言和其他心理健康障碍的数据严重匮乏。
• 数据集在人群、平台、数据类型、标注技术和方法论方面存在广泛差异，缺乏标准化。
• 非社交媒体数据来源包括电子病历、临床访谈、论坛对话、患者自述等。
• 标注方式多样，但大多缺乏与临床诊断标准的紧密绑定，影响临床相关性。
• 研究揭示了关键空白：语种单一、障碍类型集中、样本多样性不足、临床相关性弱。
• 未来需要开发更多样、可靠、且能直接服务于临床诊断的资源。

意义与影响

本综述是首次专门针对非社交媒体自由文本数据集在心理健康检测中的系统性回顾，填补了该领域的方法学空白。它提醒研究者：单纯依赖社交媒体数据可能导致模型偏倚和伦理问题，而非社交媒体数据（如临床记录、结构化访谈）提供了更接近真实临床环境的素材，有助于提升检测模型的泛化能力和伦理性。同时，综述指出的语种和障碍类型的不平衡，呼吁跨文化、跨诊断类别的研究投入。此外，强调临床相关性的不足将推动未来数据集构建时更密切地结合国际诊断标准（如DSM或ICD），从而加速NLP/ML方法从研究向临床应用的转化。这项工作对于心理健康领域的NLP社区、临床信息学以及卫生政策制定者都具有重要参考价值。