متاآنالیز جامع: تشخیص افسردگی از روی زبان با یادگیری ماشین دقتی حدود ۸۰٪ دارد

این مرور سیستماتیک و متاآنالیز، شواهد ۱۲۳ پژوهش را درباره‌ی توانایی مدل‌های یادگیری ماشین در تشخیص افسردگی از روی زبانِ نوشتاری و گفتاری (متن شبکه‌های اجتماعی، مصاحبه، گفتار) جمع‌بندی کرد.

یافته‌های کلیدی

• بر پایه‌ی ۱۲۳ پژوهش و ۴۳ مجموعه‌داده‌ی مستقل (در مجموع حدود ۴۱ هزار نمونه‌ی متنی)، دقتِ تجمیعی ۰٫۸۰ به‌دست آمد.
• حساسیت (recall) ۰٫۷۶، دقتِ مثبت (precision) ۰٫۷۸ و AUC ۰٫۷۹ گزارش شد.
• دقتِ متوازن (balanced accuracy) که سوگیریِ داده‌های نامتوازن را کنترل می‌کند، پایین‌تر و برابر ۰٫۷۱ بود.

محدودیت‌ها و نکات احتیاطی

• ناهمگونیِ بسیار بالا میان مطالعات (I²=۹۸٫۴٪) — یعنی نتایج بسته به زبان، منبعِ متن و نوعِ مدل، بسیار متفاوت بودند.
• این ابزارها برای «غربالگریِ کمکی» مطالعه شده‌اند، نه تشخیصِ قطعیِ بالینی؛ ریسکِ خطای مثبت و منفیِ کاذب همچنان قابل‌توجه است.

چرا مهم است

این متاآنالیز نشان می‌دهد تشخیصِ افسردگی از روی زبان با هوش مصنوعی، فناوریِ نوظهور و امیدوارکننده‌ای‌ست — اما با دقتی که هنوز فاصله‌ی زیادی تا جایگزینیِ ارزیابیِ بالینی دارد و باید صرفاً به‌عنوانِ ابزارِ کمکیِ غربالگری دیده شود.