A depresszió diszkurzív keretezése online fórumok közösségében

A depresszió a modernitás betegsége, ahol a társadalmak nagyobb felelősséget helyeznek az egyénre, miközben azoknak nincs lehetőségük körülményeik megváltoztatására. A szociológia egy kurrens kérdése, hogy a terapeuták illetve maguk a betegek hogyan keretezik a betegséget, vagy pl. hogy a terapeuták újra-értelmezése nyomán hogyan tolódik el a társadalmi eredetű szenvedés az énhez kapcsolt szenvedés felé (lásd pl Flick, 2016). 

Kutatásunkban az NLP módszerek lehetőségeit vizsgáljuk a depresszió online betegközösségekben megjelenő egyéni szintű keretezésének megértésében. A depresszió kognitív keretezése társadalmi konstrukció. A keretezés határozza meg a depresszió jelentését a beteg számára, oksági magyarázatot kínál rá, sőt akár a kezelési preferenciákat is meghatározza. A depresszió jelenlegi klinikai magyarázatai a biológiai, pszichológiai és szociológiai diskurzusok felé mutatnak (e.g. Comer, 2015). 

E téren korábban elsősorban kvalitatív módon, offline szövegek (naplók, levelek, interjúk) elemzésével közelítették a keretezést (lásd pl. Riskind et al, 1989). Meggyőződésünk, hogy a digitális társadalom online betegközösségeinek nem-klinikai jellegű írásai jó terepet kínálnak a kérdés vizsgálatára, s hogy az automatizált szöveganalitikai módszerek jelentős kutatási potenciált jelentenek e téren.

Korábbi kapcsolódó publikációk

Sik Domonkos: From mental disorders to social suffering: Making sense of depression for critical theories. EUROPEAN JOURNAL OF SOCIAL THEORY (2018)

Sik, Domonkos: Válaszok a szenvedésre: A hálózati szolidaritás elmélete. Budapest, Magyarország : ELTE Eötvös Kiadó (2018) , 228 p.

Sik, Domonkos: A szenvedés határállapotai: Egy kritikai hálózatelmélet vázlata. Budapest, Magyarország : ELTE Eötvös Kiadó (2018) , 246 p.

Deckovic-Dukres, V., Hrkal, J., Németh, R., Vitrai, J., Zach, H.: Inequalities in health system responsiveness. Joint World Health Survey Report Based on Data from Selected Central European Countries, 2007. Jelentés a WHO megbízásából.

Remák, E., Gál, R.I., Németh, R.: Health and morbidity in the accession countries. Country report – Hungary. ENEPRI Research Reports 28, Brussels: ENEPRI, 2006.

Albert Fruzsina, Dávid Beáta, Németh Renáta: Társas támogatottság, társadalmi kohézió. In.: Országos Lakossági Egészségfelmérés OLEF2003, Kutatási Jelentés, 2005.

Eredmények

Németh Renáta, Sik Domonkos, Máté Fanni. 2020. “Machine learning of concepts hard even for humans: the case of online depression forums”. International Journal of Qualitative Methods (megjelenés alatt)

Social scientists of mixed-methods research have traditionally used human annotators to classify texts according to some predefined knowledge. The ‘big data’ revolution, the fast growth of digitized texts in recent years brings new opportunities but also new challenges. In our research project, we aim to examine the potential for natural language processing (NLP) techniques to understand the individual framing of depression in online forums. In this paper, we introduce a part of this project experimenting with NLP classification (supervised machine learning) method, which is capable of classifying large digital corpora according to various discourses on depression. Our question was whether an automated method can be applied to sociological problems outside the scope of hermeneutically more trivial business applications.

The present article introduces our learning path from the difficulties of human annotation to the hermeneutic limitations of algorithmic NLP methods. We faced our first failure when we experienced significant inter-annotator disagreement. In response to the failure, we moved to the strategy of intersubjective hermeneutics (interpretation through consensus). The second failure arose because we expected the machine to effectively learn from the human-annotated sample despite its hermeneutic limitations. The machine learning seemed to work appropriately in predicting bio-medical and psychological framing, but it failed in case of sociological framing. These results show that the sociological discourse about depression is not as well founded as the bio medical and the psychological discourses – a conclusion which requires further empirical study in the future. An increasing part of machine learning solution is based on human annotation of semantic interpretation tasks, and such human-machine interactions will probably define many more applications in the future. Our paper shows the hermeneutic limitations of ‘big data’ text analytics in the social sciences, and highlights the need for a better understanding of the use of annotated textual data and the annotation process itself.

 

Bio, psycho or social – Discursive framing of depression in online health communities – IC2S2, 5th International Conference on Computational Social Science, 2019

Kutatásunk első szakaszában célunk volt összegyűjteni és automatikusan osztályozni online fórumok hozzászólásait a fenti három keretezési kategóriába felügyelt tanuló algoritmusok alkalmazásával. Adatbázisunk a legnépszerűbb angol nyelvű, depresszió tematikájú online  fórumok hozzászólásait tartalmazza 2016 és 2018 között. Csak olyan posztokat használtunk, amelyek nyilvánosan elérhetőek, olvasásukhoz nincs szükség regisztrációra sem, szerzőjük online megosztásra szánta őket. Az adatok előfeldogozásához és elemzéséhez Pythont és különböző módszereket (SVM, naiv Bayes, logisztikus regresszió, döntési fák) használtunk. Poszterünk innét letölthető.