你是否曾想過有一天，在臉書上面公開說話，就等於把自己的精神狀態昭告天下，而且電腦還會默默給你貼上某個標籤？
這次精神醫學年會，我最有興趣的就是「機器學習在精神醫學的應用」，所以很認真做了筆記。以下是清大資工陳宜欣副教授主講的「利用社群媒體資料研究精神疾病」，帶給我幾個啟發。
與時俱進
陳老師的研究歷程，原本是做資料探勘，和精神醫學沒有關聯。
然而，她堅持不受業界影響，致力於免費數據的研究，在資料來源方向與時俱進。一開始做的資料是 wikipedia、delicious、search engine 資料的研究，後來有些資料被關閉，就轉向目前較好的資料，如 twitter、facebook、plurk、ptt 等等。
研究主題也是與時俱進。因為人們會在社群網站上談自己的經驗，於是可以從這些文字來做「情緒分析」，做了幾年之後，發現情緒的變化，可以用來研究特定的精神疾病：「躁鬱症」，於是有了更大的社會意義。對精神疾病的偵測，不良後果 (例如自殺) 的預防，都有很大的潛力。
與時俱進的概念還包括：群眾外包 (crowdsourcing)。這是一種利用大量網路用戶，取得特定服務和想法的模式。雖然我們沒有錢去聘請許多人，提供大量有關精神疾病的想法和資料，但是透過這種群眾外包的概念，我們可以從免費的社群網站資料中，獲得群眾智慧。
老師舉了一些例子，譬如人們可能在 school day again 後面加上一個 #sad 標註。我們把大量的「#sad」標註收集起來，會發現許多原本沒想到會跟「難過」有關的語句、經驗、情境。甚至在得到許多這些句型之後，可以比「情緒詞典」更好地判斷一個人的情緒狀態。
 |
| 機器學習應用到精神醫學，產生社會意義 |
克服障礙
使用社群媒體資料，來做精神疾病研究時，有三個障礙：
(1) 如何從線上確認出病患(真的是病患)？
(2) 如何有效收集病患資料(哪個社群有病患資料)？
(3) 選擇偏誤 (某人經由資料判定為病患，但他可能其實是個醫療人員，常常在談那些病名)
要收集最多病患的資料，可以去很多治療師、很多病友出沒的粉絲專頁 (我找到的 https://twitter.com/bipolar_blogs 就有上萬人追蹤)，從「追蹤者」去收集。而陳老師除了撈資料以外，也用「人工方式」再確認網路帳戶的資料是否真的自稱為病患(或是醫療人員)。當然這和醫師診斷出來的病患，還有一定的差距，所以需要和更多精神科醫師合作，取得更好的資料。
其他部份就是「特徵萃取」(language model、LIWC、pattern of life、emotional score、social feature、age、gender......等等)、「機器學習模型」(SVM, neural network......等等)分析的過程。
總而言之，老師做出來的模型，使用愈多特徵(加上生活模式、熬夜、詞彙發聲能量等等)來做預測，就可以愈精準；而且在判斷是病患還是醫療人員的表現上，優於過去的「病人詞彙模型 (character n-gram language models, CLM)」。再考慮到時間點的因素，以發病前兩個月內的這些資料來預測最精準。
這裡又有一個障礙要克服。因為做出來的模型，如果醫療人員根本無法取得資料，也沒有用。所以老師把模型簡化，只要醫師能要求病人寫一篇文章，用文章當中的情緒詞彙、詞彙發聲能量、加上病人的性別年齡，就可以做出很好的判斷。
精益求精
強者我同學(也是精神科醫師)就說了，他看臉書也可以大概判斷那個人有沒有發病啊 ~
機器機師 vs. 人類醫師，dochi？所以陳老師也去研究，機器判定的發病與否，和醫師判定的發病與否，是否一致。
老師先用機器判定三種狀態：「病人發病期」、「病人穩定期」、「非病人的一般時期」。然後拿這些社群網站資料，去請多位精神科醫師做判斷。結果......
如果嚴格要求「機器」跟「三位精神科醫師」一致的話，在「沒發病」(病人穩定期、非病人的一般時期) 的時候意見的確都是一致的；但是對「病人發病期」就意見不合，一致比率只有「四成」左右。
如果「料敵從寬」，看看「機器」是否跟「一位精神科醫師」有一致意見，這時候對「病人發病期」的意見一致比率就增加到「八成」左右，敏感度增加。
敏感度高，所以說，做為一個公衛篩檢工具，應該蠻有潛力的。
我的啟發
首先，我感覺「隱私」和「學術研究」似乎有一點兩難。這些隱私資料，如果好好運用，提前、精準偵測 (甚至預測) 到精神的變化，讓大家能多多關心協助，應該是件好事。但如果隱私資料過度揭露，讓人們在社群網站上的一言一行 (經過強大的機器分析之後) 完全曝露出他的精神狀態，甚至給他貼上標籤、增加社會對他的歧視。這就是壞事了。
其次，我覺得在中文世界中，似乎自稱、自介、自述有躁鬱症的網民並不那麼常見。如果拿中文的社群媒體資料來做分析，或許找到的其實是一群「喜歡述說自己」的小族群，只佔了真正「病友」族群當中的一小部份？另外在社群網站上，醫師和自己的病患不太會互相加好友交流，以避免雙重關係，也就是說活躍跟病友互動的醫師，可能也是少數族群？
最後，對於陳老師這一系列研究，我蠻希望看到精神科醫師們能夠主動去瞭解這些機器學習工具、積極合作、好好利用 (
就讓機器做機器擅長的事，我們去做我們可以發揮的事吧。
相關參考文獻：
Chang, C. H., Saravia, E., & Chen, Y. S. (2016, August). Subconscious Crowdsourcing: A feasible data collection mechanism for mental disorder detection on social media. In Advances in Social Networks Analysis and Mining (ASONAM), 2016 IEEE/ACM International Conference on (pp. 374-379). IEEE.
Coppersmith, G., Dredze, M., & Harman, C. (2014). Quantifying mental health signals in twitter. In Proceedings of the Workshop on Computational Linguistics and Clinical Psychology: From Linguistic Signal to Clinical Reality (pp. 51-60).
Coppersmith, G., Dredze, M., & Harman, C. (2014). Quantifying mental health signals in twitter. In Proceedings of the Workshop on Computational Linguistics and Clinical Psychology: From Linguistic Signal to Clinical Reality (pp. 51-60).
Saravia, E., Chang, C. H., De Lorenzo, R. J., & Chen, Y. S. (2016, August). MIDAS: Mental illness detection and analysis via social media. In Advances in Social Networks Analysis and Mining (ASONAM), 2016 IEEE/ACM International Conference on (pp. 1418-1421). IEEE.
