標題：

Text-Based Depression Prediction on Social Media Using Machine Learning: Systematic Review and Meta-Analysis

透過機器學習運用基於社群媒體文字預測憂鬱症：系統性回顧與統合分析

出處： Doreen Phiri, Frank Makowa, Vivi Leona Amelia, Yohane Vincent Abero Phiri, Lindelwa Portia Dlamini, Min-Huey Chung. Text-Based Depression Prediction on Social Media Using Machine Learning: Systematic Review and Meta-Analysis. Journal of Medical Internet Research. 2025;27:e59002) doi: 10.2196/59002

網址： https://www.jmir.org/2025/1/e59002

作者：

Doreen Phiri 多琳·菲里, 博士班研究生/ 臺北醫學大學 護理系

Frank Makowa 法蘭克·馬科瓦, 資通訊研究員/馬拉威北卡羅來納大學計畫 資通訊技術系

Vivi Leona Amelia維維·利昂娜·阿米莉亞, 博士後研究員/ 臺北醫學大學 護理系

Yohane Vincent Abero Phiri約翰·文森特·阿貝羅·菲里, 環境流行病學家/美國布法羅大學 流行病學與環境健康系

Lindelwa Portia Dlamini 林德瓦·波西亞·德拉米尼, 博士後研究員/ 臺北醫學大學 護理系

Min-Huey Chung 鍾明惠, 教授/ 臺北醫學大學 護理系   

轉譯者：蔡秀婷 臺北醫學大學 護理學院 學士後護理系教授

證據等級：Level I

實證標準：Oxford Centre for Evidence-Based Medicine 2011 Levels of Evidence

實證類型/研究：系統性回顧與統合分析

問題重要性：

根據世界衛生組織統計，全球有超過3.5億人患有憂鬱症，採用面對面傳統方法進行憂鬱症診斷有其限制性。研究發現，社群媒體是研究心理健康狀況的寶貴工具，憂鬱症患者和非憂鬱症患者在社群媒體上的語言風格不同，利用社群媒體文本準確預測憂鬱症有助於識別需要更全面評估的個體，運用機器學習針對社群媒體文字資料分析，對於憂鬱症的預測具有重要意義。此外，評估人口統計學資料、社群媒體活動、語言和時間特徵對憂鬱症預測的有效性亦至關重要。過去的研究大多只著重於特定特徵或只探討社群媒體文本資料在憂鬱症預測中的效用，但整體證據仍有限，需進一步整體研究探討。

目的與方法：

目的：此研究運用系統性回顧與統合分析，探討透過機器學習使用社群媒體文字預測憂鬱症的成效，並評估人口統計、語言、社群媒體活動和時間特徵對運用基於社群媒體文字預測憂鬱症之影響。

方法：此研究遵循流行病學觀察性研究薈萃分析指南，從11個資料庫（CINHAL [透過EBSCOhost]、PubMed、Scopus、Ovid MEDLINE、Embase、PubPsych、Cochrane圖書館、Web of Science、ProQuest、IEEE Explore和ACM數位圖書館）中檢索了2008年1月至2023年8月的研究，納入(1) 使用社群媒體文字調查憂鬱症；(2) 使用機器學習；以及 (3) 報告了憂鬱症預測效應量（曲線下面積、Pearson r 值以及特異度和靈敏度或用於估算這些值的數據）來預測憂鬱症的研究，排除方案論文和非英文撰寫的研究。利用關鍵詞和透過引用檢索來篩選研究，二位獨立的研究人員根據納入和排除標準篩選並選擇了相關研究，必要時諮詢了第三位研究人員以解決分歧。研究人員從每項研究中提取了研究特徵、人口學特徵、結果指標和預測因素。採用隨機效應模型擷取95%信賴區間的效應值。使用森林圖和Cochran Q檢定的P值評估研究異質性。並進行了調節因素分析，以確定異質性的來源，運用Comprehensive Meta-Analysis 第3版統計分析軟體進行統計分析。

P：社群媒體使用者

I：機器學習、社群媒體文本及語言風格等預測因素

C：比較及評估人口統計學資料、語言、社群媒體活動和時間特徵對透過機器學習運用社群媒體文字預測憂鬱症之影響

O：憂鬱症

結果：

共納入36篇研究，統計分析結果，社群媒體文本與憂鬱症之間有顯著的整體相關性（r=0.630，95% CI 0.565-0.686），顯示透過機器學習，運用媒體使用者產生的社群媒體文字可有效預測憂鬱症。人口統計學特徵（r=0.642，95% CI 0.489-0.757）、社群媒體活動（r=0.552，95% CI 0.418-0.663）、語言特徵（r=0.545，95% CI 0.441-0.649），時間特徵（r=0.531, 95% CI 0.320-0.693）也與憂鬱症有顯著的相關性。社群媒體平台類型（公共或私人；P<.001）、機器學習方法（淺層或深度；P=.048）以及結果測量方法的使用（是或否；P<.001）是顯著的調節因素。敏感度分析顯示結果沒有變化，表示結果穩定。 Begg-Mazumdar rank correlation（P=.058）和 Egger 檢定（P=.207）證實此篇系統性回顧與統合分析不存在出版偏倚。

轉譯應用：

1.     透過機器學習，運用媒體使用者產生的社群媒體文字可有效預測憂鬱症。

2.     此研究結果可能有助於心理健康和精神科醫生識別需要進一步全面評估的個體，以協助這些個體可以獲得必要的資源與支持，以及後續的治療。

關鍵詞：憂鬱症；社群媒體；機器學習；統合分析；基於文字；憂鬱症預測