See and Read: Erkennung von depressiven Symptomen bei Studierenden im Hochschulbereich mithilfe multimodaler sozialer Medien-Daten

Psychische Störungen wie Depressionen und Angstzustände nehmen weltweit alarmierende Ausmaße an. Insbesondere die Major Depression hat sich zu einem häufigen Problem unter Studierenden an Hochschulen entwickelt, das durch akademischen Druck verschärft – und möglicherweise sogar verursacht – wird. Obwohl die genauen Ursachen dieser Entwicklung weiterhin unklar sind (trotz intensiver Forschung), ist es unerlässlich, dass Studierende, die bereits betroffen sind, eine Behandlung erhalten. Dazu ist zunächst eine Früherkennung der Symptome notwendig. Traditionell erfolgt diese über klinische Beratungen oder die Beantwortung von Fragebögen. In der heutigen Zeit stellt jedoch die an sozialen Medien geteilte Datenmenge eine allgegenwärtige Quelle dar, die genutzt werden kann, um depressionsrelevante Symptome zu erkennen – selbst dann, wenn Studierende weder die finanziellen Mittel noch den Zugang zu professioneller Hilfe haben. Frühere Studien haben bereits soziale Medien-Daten zur Erkennung von Depressionen in der Allgemeinbevölkerung genutzt, wobei sich die Ansätze meist auf veröffentlichte Bilder oder Texte oder auf Metadaten konzentrierten. In dieser Arbeit fokussieren wir uns auf die Detektion der Schweregrad von depressiven Symptomen bei Studierenden an Hochschulen, indem wir Deep-Learning-Modelle mit Modellen basierend auf Merkmalsingenieurtechniken vergleichen, die sowohl aus Bildern als auch aus deren dazugehörigen Captions aus Instagram abgeleitet wurden. Die experimentellen Ergebnisse zeigen, dass Studierende mit einem BDI-Score von 20 oder höher im besten Fall mit einer Recall-Rate von 0,92 und einer Präzision von 0,69 erkannt werden können – erreicht durch ein Fusionsmodell. Unsere Ergebnisse belegen das Potenzial einer großflächigen Früherkennung von Depressionen, die dazu beitragen könnte, Studierende in Risikolagen frühzeitig zu identifizieren.