Sosyal Medya Kullanıcılarında Depresyon ve Anksiyete Bozukluklarının Şiddetini Derin Öğrenme Tabanlı Bir Modelle Öngörmeye Yönelik Çok Boyutlu Bir Teknik

Abstract

Modern dünyada, depresyon ve kaygı gibi ruhsal bozukluklar önemli bir halk sağlığı sorunu haline gelmiştir. Belirtilerin erken tanımlanması ve müdahalesi hayati öneme sahip olsa da, geleneksel klinik değerlendirmeler maliyetli olup etiketleme eksikliğinden muzdariptir. Instagram gibi sosyal medya platformları; görseller, altyazılar, biyografi bilgileri, profil fotoğrafları, etkileşim istatistikleri ve paylaşım örüntüleri gibi, ruh sağlığı belirtilerini gösteren zengin çok modlu veriler sunmaktadır. Ancak mevcut tanı yöntemleri genellikle büyük, tek modlu veri kümelerine dayanmakta ve yalnızca küçük, klinik olarak doğrulanmış kohortlar mevcut olduğunda yeterli genelleştirilebilirlik sağlayamamaktadır. Bu çalışmada, Instagram kullanıcıları arasında depresyon ve kaygı şiddetini tahmin etmek için çok modlu few‑shot sınıflandırma çerçevesi (FS‑MMN) önerilmektedir. PHQ‑9 ve GAD‑7 anketlerini doldurup aydınlatılmış onam veren ve Instagram hesaplarına erişim izni sağlayan 137 yetişkin gönüllü işe alındı. Metin, görsel ve davranışsal modlarda 'küçük ancak kapsamlı' bir veri seti elde etmek üzere özenli ön işleme ve özellik mühendisliği uygulandıktan sonra, epizodik makro F1 hedefiyle optimize edilmiş, prototip‑tabanlı çok kollu füzyon modeli tasarlandı. Deneysel sonuçlar, veri kullanım verimliliğinin ve modelin genelleştirilebilirliğinin yüksek olduğunu göstermektedir. PHQ‑9 ölçeğine dayalı depresyon şiddeti tahmininde FS‑MMN modeli; 1, 2, 4, 8 ve 16‑shot senaryolarında sırasıyla 0.565, 0.627, 0.719, 0.825 ve 0.851 makro F1 değerleri elde ederek temel yöntemlerin üzerinde performans göstermiştir. GAD‑7 ölçeğine dayalı kaygı şiddeti tahmininde de aynı shot senaryolarında sırasıyla 0.536, 0.593, 0.683, 0.760 ve 0.764 makro F1 değerleri yakalayarak ağaç tabanlı yöntemleri. Bu bulgular, FS‑MMN'in dikkat‑tabanlı füzyon ve prototip‑tabanlı kenar eğitimi ile çok kollu tasarımının, sosyal ağ verileri üzerinde çok örnekli öğrenme ile depresyon ve kaygı şiddeti tahmininde yeni bir standart sunduğunu doğrulamaktadır.In the modern world, mental disorders such as depression and anxiety have become significant public health challenges. Early identification and intervention of symptoms are crucial, but traditional clinical assessments are costly and suffer from a lack of labeling. Social media platforms such as Instagram offer rich multimodal data, including images, captions, bios, profile photos, engagement statistics, and posting patterns, that can serve as indicators of mental health symptoms. However, existing identification methods typically rely on large, single-modality datasets and lack appropriate generalizability when only small, clinically validated cohorts are available. This study proposes a multi-modal few-shot classification framework (FS-MMN) for predicting the severity of depression and anxiety among Instagram users. We recruited 137 adult volunteers who completed the designed informed consent form and the PHQ-9 and GAD-7 questionnaires and were granted access to their Instagram accounts. After performing careful preprocessing and feature engineering, resulting in a 'small but extensive' dataset across text, image, and behavioral modalities, we designed a prototype-based multi-branch fusion model optimized for the episodic macro F1 goal. The experimental results demonstrate the high efficiency of data utilization and the generalizability of the model. In estimating depression severity based on the PHQ-9 scale, the FS-MMN model achieved macro F1 values of 0.565, 0.627, 0.719, 0.825, and 0.851 in shots 1, 2, 4, 8, and 16, respectively, which outperforms the baseline state-of-the-art methods. For estimating anxiety severity based on the GAD-7 scale, FS-MMN also achieved macro F1 values of 0.536, 0.593, 0.683, 0.760, and 0.764, respectively, in the same shots, again outperforming base-line methods. These findings confirm that the multi-branch design of FS-MMN with attention-based fusion and prototype-based edge-based training provides a new standard in estimating depression and anxiety severity with multi-sample learning on social network data.