Die digitale Überwachung von Stimmungsstörungen

Forschungsfrage: Wie hilft das digitale Monitoring von Social-Media-Plattformen bei der Weiterentwicklung von Therapien für Stimmungsstörungen?

Social Media und Stimmungsstörungen

Das Leben im digitalisierten Zeitalter unserer heutigen Welt führt zu technischen Tendenzen des Alltags. Wir überprüfen unsere Social-Media-Feeds in jeder freien Zeit, die wir erhalten. Ob es sich um eine Auftragspause handelt, um eine Kontrolle während unserer Essenspausen, um eine Kontrolle kurz vor dem Schlafengehen. Die häufigen Kontrolluntersuchungen summieren sich und fordern uns geistig heraus. Für Menschen mit Stimmungsstörungen stellt sich die Frage: Wie wirken sich soziale Medien auf sie aus (Arnold, 2019)?

Die Auswirkungen von Social Media sind mit bloßem Auge oft nicht sichtbar. Laut Watson und Slawson (2017) gibt es eine Zunahme der sozialen Medien, die sich auf die Häufigkeit von Depressionen, Angstzuständen und Einsamkeit auswirken. Stimmungsstörungen neigen dazu, aufgrund der gegenwärtigen Screening-Methoden, die die Störungen nicht genau identifizieren können, unterdiagnostiziert zu werden.

„Depressionen, die am häufigsten vorkommende psychische Erkrankung, werden nicht ausreichend diagnostiziert und behandelt, was die Notwendigkeit unterstreicht, den Anwendungsbereich der derzeitigen Screening-Methoden zu erweitern“ (Eichstaedt et al., 2018).

Die Diagnose von Stimmungsstörungen beruht auf dem Gedanken, die Symptome nicht erkennen zu können. Sie sind für das bloße Auge unsichtbar, bis es für manche zu spät wird. Was passiert jedoch, wenn wir einen Blick in die sozialen Medien als Express-Verkaufsstelle werfen, um das medizinische Diagnosefeld von Stimmungsstörungen zu leiten? Viele Social-Media-Plattformen haben Forschungen zur Verbesserung der Diagnose von Stimmungsstörungen auf verschiedene Arten durchgeführt. Einige Forscher beschäftigen sich beispielsweise mit der Erstellung von Rechenmodellen und andere analysieren eine Methode, mit der qualitative Daten als Messgröße eingeführt werden.

Die digitale Überwachung der Nutzung von Social-Media-Plattformen bei der Behandlung von Stimmungsstörungen scheint zwar begrenzt zu sein, sie kann jedoch eine potenzielle Früherkennung bestimmter Stimmungsstörungen wie Depressionen und bipolare Störungen ermöglichen.

Korrelation zwischen Social Media-Nutzung und Stimmungsstörungen

Bei Patienten mit Stimmungsstörungen empfiehlt der Arzt, die Nutzung von Social Media über eine App zu beenden oder einzuschränken und anschließend die Stimmung und die weitere Nutzung der Medien zu analysieren (Watson & Slawson, 2017). Darüber hinaus stellten Watson und Slawson (2017) in ihren Forschungsergebnissen fest, dass bei Millenilals die Nutzung sozialer Medien in Verbindung mit erhöhten Raten von Depressionen, Angstzuständen und Einsamkeit zunahm.

Social Media wird als Möglichkeit gesehen, sich auszudrücken. Darüber hinaus haben soziale Medien nach eigenen Angaben mehrere Vorteile, um das Leben zu verbessern. Kross und Kollegen stellen fest, dass soziale Medien den Oberflächenwert einer Proklamation als unschätzbare Quelle haben, um grundlegende menschliche Bedürfnisse in Bezug auf soziale Verbindungen zu befriedigen. In ihren Erkenntnissen stellen sie jedoch fest, dass ihre Forschung darauf hindeutet, dass Social-Media-Plattformen das Wohlbefinden nicht durch die Erfüllung zutiefst menschlicher Kommunikationsbedürfnisse verbessern, sondern untergraben können (Kross, Verduyn, Demiralp, Park, David, Lin, Shablack, Jonides, & Ybarra, 2013). Berücksichtigt man jedoch Studien zu Social-Media-Plattformen wie Twitter und Facebook, so liefert dies einen Einblick in die nachteiligen Auswirkungen von Social Media für Personen mit Stimmungsstörungen.

Depression in Twitter und Facebook

„Twitter ist zu einem so breiten Strom persönlicher Äußerungen geworden, dass Forscher damit beginnen, sich mit Problemen der öffentlichen Gesundheit auseinanderzusetzen“ (Frizell, 2014).

Anstatt Social Media als Medium für den persönlichen Ausdruck zu sehen, haben Forscher Social Media als Daten zum Sammeln verwendet. Daten, die zur Analyse geeignet sind und Hinweise auf die körperliche und geistige Gesundheit eines Patienten geben. Depressionen sind zu den wichtigsten psychischen Erkrankungen geworden, die für Computersozialwissenschaftler von Interesse sind, da die Unterdiagnose von Depressionen ein anhaltendes Problem darstellt (Reece, Reagan, Lix, Dodds, Danforth & Langer, 2017).

Unter den gefundenen Ressourcen befanden sich beliebte Social-Media-Studienplattformen bei Twitter und Facebook. Social-Media-Plattformen sind zu einem beliebten Forschungsgebiet geworden, da die Plattform selbst den Teilnehmern freie Meinungsäußerung bietet. Darüber hinaus verfolgen die Social-Media-Plattformen den Verlauf und können mit den richtigen Algorithmen eher früher als später qualitative Daten für die Diagnose von Stimmungsstörungen bereitstellen.

In einigen bewerteten Artikeln wurde untersucht, wie Facebook und Twitter als Quelle für die Vorhersage von Stimmungsstörungen genutzt werden können. Für den Augenblick konzentrierten sich Eichstaedt und Kollegen auf eine Gruppe von Personen, um zu beantworten, ob es möglich ist, das zukünftige Auftreten einer Depression über den Zugriff auf die Facebook-Status-Historie der einverstandeneten Teilnehmer vorherzusagen. Die Gruppe umfasste 683 Patienten, von denen 114 nach medialen Aufzeichnungen mit Depression diagnostiziert wurden. Infolgedessen stellten sie fest, dass Depressionsvorhersagen fallen und Traurigkeit, Einsamkeit, Feindseligkeit und Beschäftigung mit sich selbst umfassen (Eichstaedt et al., 2018).

Eine andere Studie, die sich auf die Twitter-Plattform konzentriert, zeigte eine andere Strategie auf, mit der Social Media-Netzwerke Depressionen vorhersagen können. De Choudhury und Kollegen konzentrierten sich auf zwei getrennte Klassen, eine depressionspositive Klasse von 171 Anwendern, die diejenigen repräsentierten, die für Depressionen ein hohes Ergebnis erzielten, und eine negative Depression von 305 Anwendern, die Teilnehmer darstellten, die keine oder nur geringe Anzeichen von Depressionen zeigten (De Choudhury, Garmon, Counts Horvitz, 2013).

Ähnlich wie bei der Untersuchung von De Chouhury und Kollegen bezieht sich Frizzle (2014) im Times Magazine auf das Microsoft-Forschungsteam, zu dem Horvitz gehört, auf eine Idee des Scannens künstlicher Intelligenz durch die Tweets von Twitter-Nutzern, die in der Lage sind, einen Benutzer mit Depressionen zu lokalisieren. Dieses spezielle Team oder diese Forscher arbeiten an der Entwicklung eines digitalisierten Modells oder Algorithmus mit der Fähigkeit, Tweets zu scannen, um eine Depression bei Twitter-Nutzern vorherzusagen. Frizzle (2014) stellte jedoch fest, dass die Entwicklung für diesen Algorithmus alles andere als perfekt ist, da er immer noch Fehler und Unzulänglichkeiten aufweist. Zumal Forscher mehrere Computermodelle verwenden, um Millionen von Tweets zu durchsuchen, um ihre Forschung zu unterstützen (Frizzle, 2014).

Für die Studien wurde eine ähnliche Methode angewendet, bei der sich beide Forschungsgruppen auf die Statusaktualisierungen ihrer jeweiligen Plattformen konzentrierten. Die beiden Studien stellen einen weiteren Trend dar, der im Bereich der Erforschung sozialer Medien für Stimmungsstörungen mittels digitaler Überwachung auftritt, die stark im Lernverhalten liegt (Coppersmith, Dredze, Harman, 2014). In beiden Studien sind die Forschungsgruppen abhängig von der Verwendung der Sprache und der Emotion der Statusaktualisierungen hinter den Tastenanschlägen jedes Patienten.

Beide bieten jedoch einzigartige Algorithmen und Schlussfolgerungen für die Vorhersage von Depressionen. Beispielsweise nutzen sie mit De Choudhury und Kollegen eine Technik namens Crowdsourcing, um Informationen über Social-Media-Maßnahmen zu sammeln, um depressives Verhalten zu charakterisieren. Merkmale wie Sprache, Emotion, Stil und Benutzereingriff. Die Ergebnisse zeigten, dass Menschen mit Depressionen im Vergleich zu anderen Teilnehmern eine geringere soziale Aktivität, eine stärkere negative Emotion, eine stärkere relationale und medizinische Besorgnis sowie einen stärkeren Ausdruck religiöser Gedanken aufweisen (De Choudhury et al., 2013).

Bei der Untersuchung der Facebook-Plattform nutzten Eichstaedt und das Forscherteam ihre Studie, um zu zeigen, wie Social-Media-basierte Erkennungstechnologien die Diagnose im Bereich der psychischen Gesundheit optimieren können. Um Depressionen vorherzusagen, erstellte das Team ein Modell, das sich auf den Textinhalt von Facebook-Posts, die Postlänge, die Häufigkeit von Posts, zeitliche Posting-Muster und demografische Daten konzentrierte. Zum Beispiel beobachteten sie in ihren Ergebnissen, dass der Sprachinhalt konsistent die depressionsbedingte Varianz im Vergleich zu früheren Studien erfasst, in denen zusammengefasst wurde, dass soziale Medien Depressionen in medizinischen Aufzeichnungen vorhersagen könnten, eher Selbstberichtserhebungen (Eichstaedt et al., 2018).

Darüber hinaus arbeiten ein anderes Forscherteam, Reece und seine Kollegen, anders, um Twitter und Depressionen auf einzigartige Weise anzugehen. Reece und seine Kollegen bewerteten die Geschichte der Twitter-Tweets der zustimmenden Teilnehmer vor dem ersten bekannten Datum für die Diagnose einer Depression. Ihre Vorhersagemaßnahmen beruhten auf der Messung von Affekt, Sprachstil und Kontext der Tweets der Teilnehmer. So bauten Reece und seine Kollegen Modelle, die diese Funktionen mit überwachten Lernalgorithmen nutzten (Reece et al., 2017).

Ein Beispielbeitrag aus der Twitter-Forschung: „Es freut mich, wieder einen Job zu haben. Weniger Zeit für Depressionen und Essen den ganzen Tag beim Anschauen von traurigen Filmen “(De Choudhury et al., 2013)

In den zuvor vorgestellten Studien stellt Sprache eine Gemeinsamkeit als grundlegende Komponente für die Vorhersage von Depressionen dar, wenn soziale Medienplattformen für die digitale Überwachung verwendet werden. Aufschlüsselung und Analyse der Schlüsselbegriffe zur Beschreibung der Gefühle der einzelnen Teilnehmer, insbesondere derjenigen, die Traurigkeit und Symptome im Zusammenhang mit Depressionen ausdrücken, wie im oben genannten Beispiel. Sie bieten einen Einblick, wie die digitale Überwachung von sozialen Medien eine weitere Ressource für den medizinischen Bereich werden kann, wenn es darum geht, nicht nur Depressionen, sondern auch andere Stimmungsstörungen zu diagnostizieren.

Daten quantifizieren

In der Geschichte der Erforschung von psychischen Gesundheits- und Stimmungsstörungen mit der Nutzung von Social-Media-Plattformen als Mittel zur digitalen Überwachung konzentrieren sich die Forscher in der Regel auf qualitative Daten oder sprachbezogene Daten. Die Quantifizierung von Stimmungsstörungen und deren Daten ist mit Herausforderungen verbunden. Beispielsweise verbinden Kupferschmied und Kollegen Hindernisse mit der Komplexität der zugrunde liegenden Ursachen. Sich auf gesellschaftliche Stigmen beziehen und damit das Thema Stimmungsstörungen und psychische Gesundheit unter Druck setzen, um in die Grenzen des Tabus zu fallen (Coppersmith, Dredze, Harman, 2014).

Gleichzeitig stellt das Team fest, dass im Bereich der Erforschung der digitalen Überwachung von Social-Media-Plattformen ein starker Schwerpunkt auf dem Studium des Verhaltens liegt. Dies kann Formen der Kommunikation eines Einzelnen, die Teilnahme an alltäglichen Aktivitäten und die Auseinandersetzung mit seiner Umgebung wie Freunden und Familie umfassen. Das Team stellt jedoch fest, dass Daten zu Stimmungsstörungen auf Social-Media-Plattformen wie Twitter quantifiziert werden können, da es beobachtbare soziale Muster gibt (Coppersmith et al., 2014).

Das Team verwendet drei verschiedene Methoden zur Quantifizierung von Daten: (1) LIWC (Linguistic Inquiry Word Count), (2) Sprachmodelle (LMs) und (3) Pattern of Life Analytics. LIWC bietet Klinikern Einblicke in quantitative Daten zum Zustand eines Patienten auf der Grundlage ihrer Aufzeichnungen von Social-Media-Plattformen. Befähigung von Forschern zur Entwicklung von Klassen durch anschließendes Lernen. Sprachmodelle werden verwendet, um die Wahrscheinlichkeit für eine bestimmte Folge von Wörtern abzuschätzen. Für Coppersmith und Kollegen erstellen sie LMs für jedes Modell sowohl der positiven als auch der negativen Klasse, um einen Score oder eine Note pro Tweet zu erstellen. Das Pattern of Life Analytics wertet die für die psychische Gesundheit relevanten Korrelationen aus, die in Social-Media-Daten erkennbar und messbar sind. Mit jeder der Analysen extrahierte das Team positive Ergebnisse und berechnete den Anteil der Tweets (Coppersmith et al., 2014).

Für das Team bestand der Zweck der Schaffung einer anderen Art der Interpretation bei Twitter und seinen Nutzern darin, vorhandene Methoden zu ergänzen, anstatt sie zu ergänzen (Coppersmith et al., 2014). Die digitale Überwachung von Social Media-Plattformen unterliegt jedoch Einschränkungen.

Einschränkungen bei der digitalen Überwachung

Insgesamt lieferte die Art der Studien Informationen, die für den Stand der digitalen Überwachung in sozialen Medien bei Stimmungsstörungen von wesentlicher Bedeutung sind. Die Studien zur digitalen Überwachung von Social-Media-Plattformen in den bereitgestellten Ressourcen wirken jedoch nicht aufdringlich. Aus diesem Grund ist es kein Problem, eine Idee zu veröffentlichen, dass eine Verletzung der Privatsphäre vorliegt. Wenn es um die digitale Überwachung von Social Media geht, ergeben sich aufgrund der Art der Recherche Einschränkungen und Bedenken. So weist Frizzle (2014) im Lichte der Post-Snowden-Ära darauf hin, dass die Wahrung der Privatsphäre schwierig wird. Vor allem, weil Twitter in Zukunft möglicherweise Bedenken hat, Tweets automatisch und ohne menschliche Hilfe zu sichten, wenn es um das Microsoft-Forschungsteam geht.

Obwohl Reece und seine Kollegen Verbesserungen für Leistungserbringer durch die Verwendung von Rechenmodellen mit einwilligenden Patienten für den Zugang zur Social Media-Geschichte hervorheben (Reece et al., 2017), treten Bedenken auf, wer Zugriff haben und haben kann heikle Informationen.

Gregoire (2011) von Hugginfton Post stellte Schwachstellen in Bezug auf die Nutzung von Social-Media-Plattformen als Mittel zur digitalen Überwachung im Gesundheitswesen heraus. Zum Beispiel beschreibt sie die Datenpopulation für Forschungen als klein und abhängig von Nutzern, die bereit sind, ihre geistige Gesundheit offenzulegen, was möglicherweise kein repräsentatives Ergebnis der Demografie darstellt (Gregoire, 2011).

Ein weiterer Bereich, in dem es um Einschränkungen bei der digitalen Überwachung geht, ist das Bewusstsein für Technologien. Wenn es um Technologien geht, werden Fragen zum Schutz der Privatsphäre von Patienten, zur Einwilligung nach Aufklärung, zum Datenschutz und zum Dateneigentum offenkundig. Eichstaedt und Kollegen fordern tatsächlich klare Richtlinien für den Zugang zu sensiblen Daten von Patienten, für die Art und Weise, wie Forscher und / oder Ärzte im Gesundheitswesen auf diese Informationen zugreifen, und für die Unterscheidung ihres Zwecks. Für das Team fordern sie außerdem Entwickler und Entscheidungsträger auf, sich mit den Herausforderungen bei der Anwendung eines Algorithmus zu befassen, da sich die Beiträge in den sozialen Medien zum Schutz von Gesundheitsinformationen möglicherweise ändern (Eichstaedt et al., 2018).

Insgesamt lieferten die ausgewerteten Studien zum Verständnis der digitalen Überwachung von Social-Media-Plattformen im Bereich von Stimmungsstörungen eine immense Informationsmenge. Obwohl die Forschung weder eine Heilung noch einen Behandlungsplan vorsieht, bieten sie neue Möglichkeiten zur Diagnose einer bestimmten Stimmungsstörung, der Depression, da sie das Potenzial haben, sich der Diagnose anderer Stimmungsstörungen zu widmen. Bei der weiteren Erforschung der digitalen Überwachung als Methode zur Bewertung von Social-Media-Plattformen müssen jedoch Einschränkungen und Bedenken berücksichtigt werden.

Zitate

Arnold, M. (2019). Stimmungsstörungen im digitalen Zeitalter erleben. Abgerufen von https://medium.com/marnol21/experiencing-mood-disorders-in-the-digital-age-997db3b105c7.

G. Coppersmith, M. Dredze, C. Harman (2014). Quantifizierung der psychischen Gesundheitssignale bei Twitter. ACL-Workshop zu Computerlinguistik und klinischer Psychologie. Abgerufen von https://www.aclweb.org/anthology/W14-3207

De Choudhury, M., Garmon, M. Counts, S., Horvitz, E. (2013). Vorhersage von Depressionen über soziale Medien. Internationale AAAI-Konferenz zu Weblogs und sozialen Medien. Abgerufen von https://www.aaai.org/ocs/index.php/ICWSM/ICWSM13/paper/view/6124/6351

Eichstaedt, J. C., Smith, R. J., Merchang, R. M., Ungar, L. H., Crutchley, P., Preotiuc, D., Asch, D. A., und Schwartz, H. A., Dr. (2018). Facebook-Sprache sagt Depressionen in Krankenakten voraus. PNAS, 115 (44), 11203–11208. https://doi.org/10.1073/pnas.1802331115

Frizzle, S. (2014). Wie Twitter weiß, wenn Sie depressiv sind. Time Magazine. Abgerufen von http://time.com/1915/how-twitter-knows-when-youre-depressed/

Kross, E., Verduyn, P., Demiralp, E., Park, J., David, S. L., Lin, N., Shablack, H., Jonides, J. & Ybarra, O. (2013). Die Nutzung von Facebook sagt einen Rückgang des subjektiven Wohlbefindens bei jungen Erwachsenen voraus. PLoS One, 8 (8) doi: http: //dx.doi.org.mutex.gmu.edu/10.1371/journal.pone.0069841

A. G. Reece, A. J. Reagan, K. L. M. Lix, P. S. Dodds, C. M. Danforth & E. L. Langer (2017). Vorhersage des Ausbruchs und des Verlaufs von psychischen Erkrankungen mit Twitter-Daten. Scientific Reports 7 (1), 13006. https://doi.org/10.1038/s41598-017-12961-9

Watson, K. & amp; Slawson, D. (2017). Social Media und Stimmungsstörungen: Wann ist es Zeit, den Netzstecker zu ziehen? American Family Physician, 96 (8), 537–539.