Journal of High School Science

High machine-learning accuracy in classifying ADHD-related writing does not necessarily establish an ADHD-specific linguistic phenotype, as predictions may reflect diagnostic vocabulary, medication references, or community-specific topics rather than cognitive organization. This study evaluated an interpretable cognitive-congestion language profile (LCCI) and a negative-signature framework for detecting disorder-specific linguistic distinctiveness. A dataset of 25,000 Reddit-derived posts from ADHD, OCD, depression, PTSD, and Asperger/autism-related communities was analyzed using condition-name masking and author-grouped cross-validation. Twenty-five features measuring discourse structure, uncertainty, urgency, lexical diversity, and coherence were compared with TF-IDF classification. The equal-weight LCCI composite performed near chance (ROC-AUC 0.506), while the multivariable profile achieved ROC-AUC 0.654, increasing to 0.681 with learned weights. Individual feature differences were small. TF-IDF substantially outperformed LCCI (ROC-AUC 0.940), with negligible improvement from combining them. An audit classified 59 of 60 high-weight TF-IDF coefficients (98.3%) as topic-related, without quantifying their contribution to predictive performance. To test specificity independently of supervised classification, the negative-signature framework excluded each psychiatric community in turn, constructed a reference language manifold from the remaining communities, and measured residual distinctiveness using PCA reconstruction, shrinkage Mahalanobis distance, and isolation forest. ADHD exhibited no positive residual signal (ROC-AUC 0.451, 0.419, and 0.429, respectively), while OCD showed the greatest residual separability. These findings distinguish predictive discrimination, interpretable linguistic association, and disorder specificity. The principal contribution is a reproducible, generalizable falsification framework demonstrating that strong supervised classification does not establish an ADHD-specific linguistic phenotype and providing a means to evaluate candidate linguistic biomarkers before clinical translation.

دقت بالای یادگیری ماشین در طبقه‌بندی نوشتارهای مرتبط با ADHD لزوماً وجود یک فنوتیپ زبانی خاص برای ADHD را اثبات نمی‌کند، چرا که پیش‌بینی‌ها ممکن است بازتاب واژگان تشخیصی، اشاره به داروها یا موضوعات خاص جامعه باشند و نه سازمان‌دهی شناختی. این مطالعه به ارزیابی یک نمایه زبانی قابل تفسیر ازدحام‌شناختی (LCCI) و چارچوب امضای منفی برای شناسایی تمایز زبانی خاص اختلال پرداخت. یک مجموعه‌داده شامل ۲۵٬۰۰۰ پست استخراج‌شده از Reddit از جوامع مرتبط با ADHD، OCD، افسردگی، PTSD و Asperger/autism با استفاده از ماسک‌کردن نام اختلال و اعتبارسنجی متقاطع گروه‌بندی‌شده بر اساس نویسنده تحلیل شد. بیست‌وپنج ویژگی ساختار گفتمان، عدم قطعیت، فوریت، تنوع واژگانی و انسجام با طبقه‌بندی TF-IDF مقایسه شدند. ترکیب LCCI با وزن برابر عملکردی نزدیک به تصادف داشت (ROC-AUC 0.506)، در حالی که نمایه چندمتغیره به ROC-AUC 0.654 رسید که با وزن‌های یادگرفته‌شده تا 0.681 افزایش یافت. تفاوت ویژگی‌های منفرد اندک بود. TF-IDF به طور قابل توجهی عملکرد بهتری نسبت به LCCI داشت (ROC-AUC 0.940) و ترکیب آن‌ها بهبود ناچیزی ایجاد کرد. در یک ممیزی، ۵۹ مورد از ۶۰ ضریب با وزن بالای TF-IDF (۹۸.۳٪) به عنوان مرتبط با موضوع طبقه‌بندی شدند، بدون آنکه سهم آن‌ها در عملکرد پیش‌بینی کمی‌سازی شود. برای آزمون ویژگی به طور مستقل از طبقه‌بندی نظارت‌شده، چارچوب امضای منفی هر جامعه روان‌پزشکی را به نوبت حذف کرد، یک منیفولد زبانی مرجع از جوامع باقی‌مانده ساخت و تمایز باقیمانده را با استفاده از بازسازی PCA، فاصله Mahalanobis با انقباض و isolation forest اندازه‌گیری کرد. ADHD هیچ سیگنال باقیمانده مثبتی نشان نداد (ROC-AUC به ترتیب 0.451، 0.419 و 0.429)، در حالی که OCD بیشترین قابلیت جداسازی باقیمانده را داشت. این یافته‌ها تمایز میان تبعیض پیش‌بینانه، ارتباط زبانی قابل تفسیر و ویژگی اختلال را نشان می‌دهد. مهم‌ترین دستاورد، ارائه یک چارچوب ابطال‌پذیر و قابل تعمیم است که نشان می‌دهد طبقه‌بندی نظارت‌شده قوی، وجود فنوتیپ زبانی خاص ADHD را اثبات نمی‌کند و روشی برای ارزیابی زیست‌نشانگرهای زبانی پیشنهادی پیش از ترجمه بالینی ارائه می‌دهد.