Analitik Prediktif dalam Kesehatan Mental Memanfaatkan Embedding LLM dan Model Machine Learning untuk Analisis Media Sosial

Prevalensi gangguan terkait stres telah meningkat secara signifikan dalam beberapa tahun terakhir, menciptakan kebutuhan mendesak akan metode skalabel untuk mengidentifikasi individu yang terdampak. Alat skrining tradisional bersifat padat sumber daya dan sering gagal menjangkau populasi yang membutuhkan. Platform media sosial menawarkan sumber teks yang dihasilkan pengguna secara real-time yang kaya dan mungkin mengandung penanda linguistik dari tekanan psikologis. Makalah ini memperkenalkan pendekatan baru yang memanfaatkan large language model (LLM), khususnya embedding GPT-3 dari OpenAI, dikombinasikan dengan algoritma machine learning untuk mengklasifikasikan unggahan media sosial sebagai indikatif atau tidak indikatif gangguan stres. Tujuannya adalah mengembangkan alat skrining awal yang dapat menganalisis data tekstual daring dalam skala besar, yang berpotensi memungkinkan intervensi dan dukungan dini. Dengan mengubah unggahan menjadi representasi vektor yang menangkap makna semantik dan nuansa linguistik, penulis bertujuan meningkatkan metode berbasis kata kunci atau bag-of-words tradisional.

Model SVM mencapai akurasi tertinggi 83% pada test set, mengungguli model lainnya. Random forest, XGBoost, KNN, dan neural network juga menunjukkan performa kompetitif, tetapi tidak ada yang melampaui SVM. Hasil ini menunjukkan bahwa embedding GPT-3 secara efektif menangkap isyarat linguistik yang terkait dengan stres, memungkinkan klasifikasi yang akurat. Studi ini melaporkan precision, recall, dan $F_1$-score untuk model terbaik, meskipun nilai spesifiknya tidak disediakan dalam abstrak. Temuan ini menunjukkan bahwa embedding berbasis LLM dapat secara signifikan meningkatkan deteksi indikator kesehatan mental dari teks media sosial dibandingkan metode ekstraksi fitur tradisional.