Column

TwitterのADHD・ASD投稿130万件が示す、うつ症状の集団プロファイル

ADHDとASDを自己申告する792ユーザーの130万件超のTwitter投稿を、MentalRoBERTa×DSM-5分類で解析。ADHD群とASD群でうつ症状パターンに差異が見出されるという探索的研究を、感情AI視点とビジネス応用の両面から読み解く。

2026 / 07 / 08 5 分で読める English version →

ソーシャルメディアの大量テキストデータをNLPで分析しDSM-5うつ症状カテゴリに分類するモデルのイメージ図

こんにちは。Affectosphere Group の三浦です。

感情AIの研究をしていると、こんな問いに当たることがあります。

「ある集団が、今どんな精神状態にあるのかを、テキストから読み取れないか」。

個人の日記なら一人分しか見えません。でも、SNSに大量投稿されたテキストを使えば？神経発達特性を持つ人たちの集団全体のメンタル状態を、データドリブンで可視化できるかもしれない。

そういう問いに正面から取り組んだ研究が、arXivに公開されました（Rizwan, Nabergoj, & Demšar, arXiv:2607.05626）。

Twitterで自身をADHDまたはASDと自己申告している792人のユーザーから、130万件を超える投稿を収集。MentalRoBERTaというメンタルヘルス特化モデルをReDSM5でファインチューニングし、DSM-5の9つのうつ症状カテゴリに投稿を自動分類する手法で、集団レベルの症状プロファイリングを実施しています。

感情AIが「個人の感情推定」だけでなく「集団の感情・精神状態の把握」に使われる可能性を、具体的な形で示してくれる研究です。

今日の3点

792ユーザー・130万件超のツイートをDSM-5の9症状カテゴリに自動分類した集団プロファイリング。
ADHD群は認知的問題・疲労の頻度が高く、ASD群は自殺念慮関連語が多いという集団傾向が見出された。
研究者は個人レベルの現象論的差異を証明するものではないと明示。データ解釈の留保が誠実。

① 130万件の投稿を「うつの鏡」として読む仕組み

この研究のコアは、MentalRoBERTaというモデルです。

メンタルヘルス領域のテキストで事前学習されたBERTベースのモデルで、それをReDSM5でファインチューニングしています。

ReDSM5は、DSM-5のうつ病診断基準9項目に対応したラベルを持つデータセットです。9項目というのは、気分の落ち込み、睡眠障害、活動量の変化、疲労、集中力低下、自殺念慮などです。

このモデルで各ツイートを9症状カテゴリに分類し、ユーザー単位・集団単位で症状出現頻度を集計する設計になっています。

個々のツイートを読んで「この人はうつかもしれない」と判断するのとは、根本的に異なるアプローチです。大量のテキストを統計的に処理して集団傾向を浮かび上がらせる、疫学的な発想に近いイメージです。

感情AIの研究をしていると、こういう「個人→集団へのスケールアップ」の設計には自然と興味が湧きます。

個人の感情推定モデルを大量データに適用した際に、何が見え、何が見えなくなるか。今回の研究はそのあたりの問いに対して、一つの実践的な回答を示しています。

② ADHD と ASD で、うつ症状のパターンは違うのか？

研究の結果として、ADHD群とASD群で症状プロファイルに差異が見られました。

ADHD群では、認知的問題（集中困難・思考の混乱など）や疲労に関連する語の出現頻度が高い傾向がありました。ASD群では、自殺念慮関連語が比較的多く出現するという結果でした。

この差異は興味深いです。

ADHD特性の「実行機能への負荷」がテキストにも反映されているという解釈もできますし、ASD特性における社会的孤立感が自殺念慮関連語として現れているという見方もできます。

ただし、ここで研究者が置いている留保がとても重要です。

これはあくまでも集団レベルの統計的傾向であって、個人レベルの現象論的差異を証明するものではない——と明示されています。

そもそも「Twitterで自分をADHDと自己申告する人」という集団は、診断を受けたすべてのADHD者を代表しているわけではありません。情報発信に積極的な一部の人たちのデータです。

こういう留保を明示した上で発見を報告している点は、センシティブな研究領域での誠実な姿勢として評価できます。

③ EAP・HR 担当者にとって何が実用的か？

ここからはビジネス応用の話です。

この研究が示すNLPパイプライン（MentalRoBERTa × DSM-5分類）は、社内の匿名テキストデータに応用できる可能性があります。

たとえば、社内サポートチャットの発話や匿名の社内SNS投稿を対象に、集団単位でDSM-5症状カテゴリの出現頻度を集計する。そうすると「最近この部署で認知的負荷に関連する投稿が増えている」「疲労関連の表現が先月比で上昇している」といった集団シグナルをリアルタイムで把握できるかもしれません。

EAPの介入は「個人が限界を超えてから」ではなく「集団のシグナルが出始めた段階」で行えると、効果が高まります。

集団レベルプロファイリングは、その介入タイミングの最適化に使えるツールになりえます。

さらに、ADHD・ASD特性を持つ従業員向けのウェルビーイングプログラムにも示唆があります。

認知的負荷管理を中心に設計するのか、社会的サポートの頻度を上げるのか。特性別のニーズの違いに基づいてプログラムをカスタマイズするための手がかりが、集団プロファイリングのデータから得られるかもしれません。

デジタルメンタルヘルスSaaSのプロダクトとして設計するなら、産業医・EAP担当者が使うダッシュボードとして実装することが一つの方向性になります。

④ 社内に持ち込む前に考えるべきこと

ただし、この種の応用には慎重な設計が必要です。

まず、匿名性の担保です。個人の投稿から個人のメンタル状態を特定することは、プライバシー侵害になります。集団集計に限定し、個人特定につながる分析はしない設計が前提です。

次に、モデルの精度限界の認識です。NLPモデルの分類は100%正確ではありません。誤分類された投稿が不適切な介入につながるリスクを、設計段階で織り込んでおく必要があります。

そして、目的の明確化です。

メンタルヘルスデータを「監視」に使うのか「支援」に使うのかで、社員の信頼は大きく変わります。何のために使うかのガバナンス設計が伴わなければ、技術だけ導入しても逆効果になります。

感情AI分野では、技術の可能性と倫理的リスクは常にセットで議論されます。この手法を職場に応用するなら、同じ姿勢が必要です。

保険会社のウェルネスプログラムに組み込む場合も同様です。リスクスコアの算出に使うなら、アルゴリズムの透明性と加入者への説明責任が問われます。

ソーシャルメディアが「集団の感情を映す鏡」になる時代

今回の研究が示すのは、ソーシャルメディアが集団の精神状態を映す鏡として機能しうるという可能性です。

探索的研究という位置づけですが、792ユーザー・130万件のデータからDSM-5の症状分類をここまでの規模で適用できるという実証は、次の研究ステップへの強い足がかりになります。

ADHD・ASD群のうつ症状プロファイルの差異が示されたことで、神経発達特性に特化したメンタルヘルス介入設計に向けた、データドリブンな議論を始められる段階に入ってきた、とも言えます。

感情AIが「個人の感情認識」から「集団の感情状態把握」へと展開していく大きな流れの中で、この研究はその橋渡しとなるフレームワークを示しています。

この方向の手法がどう精緻化されていくか、注目しています。

では！

参考論文

Rizwan, Muhammad, Nabergoj, David, & Demšar, Jure (2026). Population-Level Profiling of DSM-5 Depressive Symptoms Among Self-Reported ADHD and ASD Users on Twitter: An Exploratory Study Using Advanced NLP and Statistical Analysis. arXiv preprint. https://arxiv.org/abs/2607.05626

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。