Text-Based Mental Health Detection Using Stacking Ensemble Approach with Hybrid Machine Learning and Deep Learning Models
Rattachement africain : bd. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
The growing prevalence of mental health disorders demands reliable and scalable automated detection systems. This work introduces a hybrid ensemble framework that combines context-aware transformers (RoBERTa) with BiLSTM-based sequential learning and an XGBoost metaclassifier for robust mental health classification. Experiments conducted on a large-scale Emotion-Sentiment dataset of 160,000 samples demonstrate superior performance compared to existing classical and neural network-based approaches across multiple evaluation metrics. The experimental findings demonstrate the framework's ability to accurately classify depression, anxiety, stress, and neutral states from textual data.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Text-Based Mental Health Detection Using Stacking Ensemble Approach with Hybrid Machine Learning and Deep Learning Models
- Date Crossref
- 16/04/2026
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
National University Bangladesh pays non établi dans la noticeUniversité ou école supérieure
National University Bangladesh.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.