Att förstå samtal om psykisk hälsa på Reddit med transformers och förklarbarhet

Varför onlineprat om känslor spelar roll

Många som brottas med ångest, depression, bipolär sjukdom eller emotionellt instabil personlighetsstörning vänder sig till internet innan de någonsin pratar med en professionell. Reddit, med sina anonyma gemenskaper, har blivit en stor mötesplats för att dela rädslor, be om hjälp och stötta andra. Denna studie undersöker hur tusentals av dessa samtal ser ut och hur artificiell intelligens kan sortera dem och lyfta fram de ord som människor oftast använder när de talar om olika psykiska svårigheter.

En inblick i stödjande gemenskaper

Forskarnas fokus låg på fyra stora Reddit-gemenskaper inriktade på ångest, depression, bipolär sjukdom och emotionellt instabil personlighetsstörning (ofta förkortat EIPS eller BPD). Varje inlägg i deras dataset märktes enkelt efter vilken community det kom från, inte efter någon medicinsk diagnos. Teamet betraktade dessa gemenskaper som ”bekymmersrum”, där personer med liknande problem samlas för att ventilera, söka råd och erbjuda tröst. Genom att studera hur språket skiljer sig mellan dessa rum hoppades de förstå hur människor beskriver sina erfarenheter med sina egna ord, utanför en klinik.

Att lära datorer att sortera samtal

För att göra sig en bild av mer än 150 000 inlägg använde författarna kraftfulla språkmodeller kallade transformers, specifikt BERT och en mentalhälsoinriktad variant kallad MentalBERT. Dessa modeller läste varje inlägg och försökte gissa vilken av de fyra gemenskaperna det tillhörde. Eftersom vissa communities hade betydligt fler inlägg än andra balanserade teamet datasetet noggrant så att varje grupp skulle vara lika representerad. Det gjorde uppgiften svårare men rättvisare, och tvingade modellerna att verkligen lära sig skillnader i ordval i stället för att bara favorisera de vanligaste grupperna. När modellerna testades märkte de inlägg korrekt ungefär 82 procent av gångerna — en stor förbättring jämfört med slumpmässig gissning, som bara skulle vara rätt en fjärdedel av gångerna.

Att öppna AI:s svarta låda

En huvudfråga inom teknik för psykisk hälsa är att datorsystem kan framstå som mystiska ”svarta lådor” som ger förutsägelser utan tydliga skäl. För att tackla detta använde forskarna en metod kallad LIME som visar vilka ord som drog modellen mot ett visst beslut. Enkelt uttryckt döljer eller ändrar LIME delar av ett inlägg och betraktar hur modellens svar förändras. Om borttagandet av ett ord som ”panik” plötsligt ändrar den förutspådda communityn bedöms det ordet vara viktigt. Genom att upprepa denna process tusentals gånger på många inlägg byggde teamet listor över de mest inflytelserika orden för varje community och kontrollerade att dessa ord överensstämde med vad kliniker vet om varje tillstånd.

Distinkta röster för olika svårigheter

Förklaringarna avslöjade tydliga språkmönster. I ångestgemenskaper stack ord som ”panik”, ”attack” och ”oro” ut, ofta kopplade till fysiska symtom och plötsliga rädslovågor. Depressioninlägg innehöll ofta termer som ”hopplös”, ”värdelös”, ”liv” och ”längre” (i betydelsen ”inte längre”), vilket återgav djup sorg och en känsla av att saker inte kommer att bli bättre. I diskussioner om EIPS försköts nyckelorden mot relationer och känslor, inklusive ”övergivande”, ”relation”, ”anknytning” och ”fp” (förkortning för ”favorite person”, ett begrepp som är vanligt i dessa grupper). Bipolära inlägg lyfte fram humörsvängningar och behandlingsspråk, med ord som ”mani”, ”manisk”, ”hypomani”, ”humör” och läkemedelsnamn som ”litium” och ”lamictal”. Modellerna visade också var tillstånd flyter ihop: ångest- och depressionsinlägg kan till exempel båda kretsa kring lidande och negativa känslor, vilket gör dem lättare att förväxla, precis som i verkliga diagnoser.

Från onlineinlägg till verklig påverkan

För en icke-specialist är huvudbudskapet att datorer pålitligt kan sortera samtal om psykisk hälsa efter tema och förklara vilka ord som driver deras val, men att de fortfarande inte kan och inte bör ställa diagnoser. Modellerna i denna studie fungerar mer som bibliotekarier för online-stödrum: de hjälper till att kontrollera om diskussionerna i en viss community verkligen matchar dess uttalade fokus. Detta kan bistå moderatorer att hålla samtalen relevanta och hjälpa forskare eller kliniker att bättre förstå hur människor beskriver sina svårigheter utanför formella mottagningar. Med noggrant mänskligt omdöme och uppmärksamhet på integritet och stigma kan sådana verktyg en dag stötta mer välkomnande och bättre organiserade onlineytor för att prata om psykisk hälsa.

Citering: Sánchez Rodríguez, I., Bianchi, J., Pinelli, F. et al. Understanding mental health discourse on Reddit with transformers and explainability. Sci Rep 16, 6796 (2026). https://doi.org/10.1038/s41598-026-35918-3

Nyckelord: psykisk hälsa, sociala medier, Reddit, förklarbar AI, textklassificering