トピックモデリング手法を用いたオンライン支援グループ形成の強化

Abstract

オンライン健康コミュニティ（OHCs）は、ピアサポートを促進し、健康アウトカムを改善する上で重要です。これらのプラットフォーム内のサポートグループは、よりパーソナライズされ、まとまりのあるピアサポートを提供し得ますが、従来のサポートグループ形成手法には、スケーラビリティ、静的なカテゴリ化、ならびに不十分なパーソナライズに関する課題があります。これらの制約を克服するために、自動化されたサポートグループ形成のための2つの新しい機械学習モデル、Group specific Dirichlet Multinomial Regression（gDMR）およびGroup specific Structured Topic Model（gSTM）を提案します。これらのモデルは、ユーザが生成したテキスト内容、人口統計学的プロファイル、そしてユーザネットワークから導出されるノード埋め込みによって表現される相互作用データを統合し、パーソナライズされ、意味的に首尾一貫したサポートグループ形成を体系的に自動化します。 本研究では、MedHelp.org から得られた大規模データセット（2百万件を超えるユーザ投稿）によりモデルを評価します。両モデルは、LDA、DMR、STM を含むベースライン手法に対して、予測精度（ホールドアウト対数尤度）、意味的一貫性（UMass指標）、ならびに内部グループ整合性のいずれにおいても大きく上回ります。gDMRモデルは、ネットワーク構造および人口統計データからの関係パターンを活用することで、実装上の実用性を高めるグループ共変量を生成します。一方で gSTM は、より明確で主題に特化したグループを生成するために疎性（スパース性）の制約を重視します。定性的分析により、モデルが生成したグループと手作業でコード化されたテーマとの整合もさらに裏付けられ、慢性疾患の管理、診断における不確実性、メンタルヘルスといった多様な健康課題に対処するグループを導くうえでの、モデルの実用的な関連性が示されます。手作業によるキュレーションへの依存を減らすことで、これらの枠組みは OHCs におけるピア間相互作用を強化する、スケーラブルな解決策を提供し、患者のエンゲージメント、コミュニティのレジリエンス、ならびに健康アウトカムに対する示唆を持ちます。