Population-Level Profiling of DSM-5 Depressive Symptoms Among Self-Reported ADHD and ASD Users on Twitter: An Exploratory Study Using Advanced NLP and Statistical Analysis

背景

抑郁症（Depression）常与注意缺陷多动障碍（ADHD）和自闭症谱系障碍（ASD）共病，但现有研究较少从人群层面比较这两类群体在抑郁症状表达上的差异。传统临床研究依赖于结构化访谈和量表，而社交媒体提供了自发、自然语境下的语言数据，为探索群体层面的症状表达模式提供了新途径。该研究基于Twitter（现称X）用户的自述诊断信息，利用先进自然语言处理（NLP）和统计方法，系统分析了ADHD与ASD用户推文中DSM-5（精神障碍诊断与统计手册第五版）抑郁症状的分布差异，并检验了这种差异在不同抑郁内容过滤阈值下的稳健性。

核心内容

本研究分析了来自792名Twitter用户（622名ADHD用户，170名ASD用户）的1,282,437条推文，这些用户均在其个人资料或推文中自报过ADHD或ASD诊断。研究分为三个主要步骤：

1. 数据预处理与抑郁相关性过滤：使用zero-shot NLI（零样本自然语言推理）模型对每条推文进行抑郁相关性预筛选，过滤掉与抑郁无关的内容。为检验结果的稳健性，设置了五个不同的过滤阈值（threshold），通过bootstrap重抽样方法评估阈值变化对分析结果的影响。

2. DSM-5抑郁症状分类：将过滤后的推文输入MentalRoBERTa模型——该模型基于ReDSM5数据集（一个标注了九类DSM-5抑郁症状的社交媒体语料）进行微调，用于将每条推文归入以下九种症状之一：抑郁情绪、兴趣或愉悦感减退（anhedonia）、体重或食欲变化、睡眠障碍、精神运动性改变、疲劳或精力丧失、无价值感或过度内疚、注意或决策能力下降（cognitive issues）、自杀意念。MentalRoBERTa在独立测试集上达到了0.901的宏F1分数，超过了原ReDSM5基准性能。对每位用户，将分类结果按症状类型进行均值中心化处理，得到每类症状的相对表达频率。

3. 群体区分与症状共现分析：采用L1正则化（Lasso）逻辑回归模型（结合交叉验证）区分ADHD与ASD用户。同时，使用Pearson相关系数计算两类用户内部九种症状之间的共现模式，并比较群体间共现结构的差异。为验证结果的稳定性，对五个过滤阈值分别进行bootstrap重抽样（每次抽样重复1000次），并报告交叉验证的ROC-AUC指标。

主要结果：

• ADHD与ASD用户的分类表现稳定但中等：交叉验证ROC-AUC在0.645–0.653之间，说明语言差异虽可重复但区分能力有限。
• 症状倾向性：ADHD用户更倾向于表达认知问题（cognitive issues）、睡眠问题（sleep issues）、食欲变化（appetite change）和疲劳（fatigue）；ASD用户更倾向于表达自杀意念（suicidal ideation）和兴趣减退（anhedonia）。这些倾向在五个过滤阈值下均一致出现。
• 症状共现结构：两组用户之间共享了高度相似的抑郁症状共现模式，没有发现任何一对症状组合满足研究预设的“稳健的障碍特异性差异”标准。

结论：ADHD与ASD社交媒体用户在抑郁相关语言上存在人群层面的差异，且这些差异在不同过滤阈值下可重复，体现了结果的再现性而非临床效度。研究为探索性分析，不宣称在个体层面建立了不同的现象学特征。

关键要点

• 新颖的数据与方法：首次结合zero-shot NLI过滤、微调后的MentalRoBERTa（基于ReDSM5）和L1正则化逻辑回归，系统比较ADHD与ASD社交平台用户在DSM-5抑郁症状表达上的差异。
• 模型性能优异：MentalRoBERTa在测试集上宏F1达0.901，超越原ReDSM5基准，验证了该模型在社交媒体抑郁症状分类上的有效性。
• 群体区分中等但稳定：ADHD与ASD用户的分类ROC-AUC约0.65，表明存在可重复的语言差异，但区分度不足以用于个体诊断。
• 症状倾向性差异：ADHD用户更易表达认知困难、睡眠问题、食欲变化和疲劳；ASD用户更易表达自杀意念和快感缺失。这些倾向在所有阈值下一致。
• 症状共现结构高度相似：未发现任何症状对在两组间存在稳健的、障碍特异性的共现差异，提示两者抑郁症状的底层关联模式可能相同。
• 再现性而非临床效度：研究强调观察到的差异是群体层面统计上的可重复特征，不代表个体层面的临床鉴别价值。
• 局限性：依赖用户自报诊断，未经临床验证；Twitter用户样本可能存在选择偏倚；仅关注语言表达，不涵盖非语言行为或生理指标；研究为探索性，结论不能推广至临床诊断。

意义与影响

• 方法学意义：展示了如何将先进的NLP（zero-shot NLI预过滤 + 微调Transformer模型）与统计学习（Lasso回归、bootstrap稳健性检验）相结合，从大规模非结构化社交媒体数据中提取有临床意义的心理健康信号。该方法可推广至其他共病障碍的语言分析。
• 对ADHD与ASD共病抑郁的启发：结果提示两类群体在抑郁症状的语言表达上存在系统性偏差——例如ADHD用户更多抱怨认知和睡眠问题，ASD用户更多谈论自杀和快感缺失——这可能反映了两者在认知方式、情绪调节或社交沟通风格上的差异。这有助于临床医生在共病患者中更精细化地识别抑郁表现。
• 对数字表型（digital phenotyping）的贡献：研究证实社交媒体语言能够捕捉到与精神障碍诊断相关的、可重复的群体差异，为发展基于社交媒体的心理健康监测工具提供了证据基础。但结果也警示，这类差异的区分度有限，不应过度解读为诊断替代。
• 科学严谨性强调：通过多阈值bootstrap稳健性检验，研究避免了单一阈值带来的假阳性风险，并明确区分了“再现性”（reproducibility）与“临床效度”（clinical validity），为未来类似研究树立了方法论标准。
• 伦理与可解释性提醒：作者明确指出研究为探索性，不适用于个体层面的诊断或干预。这提醒公众和从业者：社交媒体心理健康分析目前仍处于群体比较阶段，个体推断需谨慎，并需考虑数据隐私和自报诊断的真实性。