最近的研究显示，尽管人工智能在分析社交媒体上的抑郁迹象时在白人美国人身上表现出较高的准确性，但在黑人中却无法实现这一目标。这一发现引发了对人工智能模型训练数据多样性的关注，同时也揭示了种族在心理健康评估中的重要性。
研究人员使用了一个“现成的”人工智能工具来分析来自868名志愿者的帖子，其中包括相同数量的黑人和白人成年人，他们还具有相似的年龄和性别等其他特征。所有参与者还完成了一份由医疗保健提供者用于抑郁筛查的经过验证的问卷。
在这项新研究中，研究人员发现，黑人和白人在社交媒体上表达抑郁迹象的方式存在明显差异。白人个体更倾向于使用“我谈”或自我关注的语言，以及自我贬低、自我批评和感觉像个局外人的表达，而这些特征与抑郁症有关。然而，在黑人社交媒体帖子中，这些特征并没有被人工智能模型准确地识别出来。
研究合著者Sharath Chandra Guntuku表示，尽管社交媒体数据不能用于诊断抑郁症，但它可以用于评估个人或群体的风险。他指出，种族在心理健康评估中似乎被忽视，这可能导致人工智能模型在黑人社交媒体帖子中无法准确检测抑郁迹象的问题。
此前的研究表明，经常使用第一人称代词和特定类别的词语的人更容易患抑郁症。因此，对于不同种族和族裔群体的数据多样性在训练人工智能模型时显得尤为重要。
这项研究突显了在医疗相关任务中训练人工智能模型时缺乏多样化种族和族裔群体数据的风险。未来的研究需要更加关注种族在心理健康评估中的作用，以确保人工智能在社交媒体上准确检测抑郁迹象的能力不受种族因素的影响。