The Role of Emotions in Informational Support Question-Response Pairs in Online Health Communities: A Multimodal Deep Learning Approach

📄 arXiv: 2405.13099v1 📥 PDF

作者: Mohsen Jozani, Jason A. Williams, Ahmed Aleroud, Sarbottam Bhagat

分类: cs.AI, cs.SI

发布日期: 2024-05-21

备注: 37 pages, 15 figures

💡 一句话要点

提出多模态深度学习方法，分析在线健康社区中情感对信息支持问答的影响

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 在线健康社区 信息支持 情感分析 多模态学习 深度学习 可解释AI 问答系统

📋 核心要点

  1. 现有研究缺乏对在线健康社区中情感与信息支持之间复杂关系的深入分析。
  2. 利用多模态深度学习，从问题和回复文本中提取情感特征，预测信息支持的有效性。
  3. 实验结果表明，情感在信息支持中起着关键作用，为用户决策辅助工具开发提供理论基础。

📝 摘要（中文）

本研究探讨了在线健康社区中寻求信息支持的问题、回复以及有用性评分之间的关系。我们创建了一个标注的问题-回复对数据集，并开发了多模态机器学习和深度学习模型，以可靠地预测信息支持问题和回复。我们采用可解释人工智能来揭示信息支持交流中嵌入的情感，从而证明了情感在提供信息支持中的重要性。情感支持和信息支持之间这种复杂的相互作用以前未被研究。该研究改进了社会支持理论，并为用户决策辅助工具的开发奠定了基础。同时讨论了进一步的意义。

🔬 方法详解

问题定义：论文旨在解决在线健康社区中，如何有效识别和预测信息支持性问答对的问题。现有方法通常侧重于文本内容的信息量，忽略了情感因素在信息支持中的重要作用，导致预测准确率不高，且缺乏对情感影响的解释。

核心思路：论文的核心思路是结合文本信息和情感信息，利用多模态深度学习模型，更全面地理解问答对，从而更准确地预测其信息支持性。通过可解释AI方法，揭示情感在信息支持中的具体作用。

技术框架：整体框架包括数据收集与标注、特征提取、模型构建与训练、以及结果分析与解释四个主要阶段。首先，收集在线健康社区的问答数据，并进行标注，区分信息支持性问答对。然后，利用自然语言处理技术提取文本特征，并使用情感分析工具提取情感特征。接着，构建多模态深度学习模型，融合文本和情感特征进行预测。最后，利用可解释AI技术分析模型预测结果，揭示情感对信息支持的影响。

关键创新：论文的关键创新在于：1) 首次将情感因素纳入在线健康社区信息支持性问答对的预测模型中；2) 提出了一种多模态深度学习方法，有效融合文本和情感特征；3) 利用可解释AI技术，深入分析了情感在信息支持中的作用机制。

关键设计：论文采用了深度学习模型，具体结构未知，但强调了多模态融合，可能包括：1) 使用预训练语言模型（如BERT）提取文本特征；2) 使用情感词典或情感分类器提取情感特征；3) 设计特定的融合层，将文本和情感特征进行有效融合；4) 使用交叉熵损失函数进行模型训练；5) 使用如LIME或SHAP等可解释AI方法进行结果分析。

📊 实验亮点

论文构建了包含标注信息的问答对数据集，并开发了多模态深度学习模型。虽然具体的性能数据未知，但论文强调该模型能够更可靠地预测信息支持问题和回复，并利用可解释AI揭示了情感在信息支持中的重要性。与传统方法相比，该方法有望显著提升信息支持性问答对的识别准确率。

🎯 应用场景

该研究成果可应用于在线健康社区，自动识别和推荐高质量的信息支持性问答对，提升用户获取信息的效率和满意度。此外，该研究为开发个性化的用户决策辅助工具提供了理论基础，例如，可以根据用户的情感状态，推荐更适合的信息支持内容。未来，该研究可扩展到其他类型的在线社区，提升信息服务的质量。

📄 摘要（原文）

This study explores the relationship between informational support seeking questions, responses, and helpfulness ratings in online health communities. We created a labeled data set of question-response pairs and developed multimodal machine learning and deep learning models to reliably predict informational support questions and responses. We employed explainable AI to reveal the emotions embedded in informational support exchanges, demonstrating the importance of emotion in providing informational support. This complex interplay between emotional and informational support has not been previously researched. The study refines social support theory and lays the groundwork for the development of user decision aids. Further implications are discussed.