通过微博等社交媒体识别自杀高危人群，实现积极的干预系统，本研究针对新浪微博的 1041 个用户，采用中文版 Linguistic Inquiry and Word Count（LIWC）词库和 LDA 等 NLP 方法提取语言特征，基于这两种特征通过机器学习算法训练预测模型，以估算基于语言特征的自杀概率。实验结果表明，LDA 能够找到与自杀概率相关的主题并提高预测性能，此研究为预测社交网络用户自杀概率行为增加了价值。

Nov, 2014

利用机器学习和心理学技术，我们在微博上部署了实时自杀意念检测系统，使用心理语言学字典识别微博用户的自杀意图，并训练了一个有效的自杀微博帖子检测模型，该模型结合机器学习和心理学知识，使用 SVM 分类器，具有最佳性能，F 值为 68.3％，精度为 78.9％，召回率为 60.3％。

Nov, 2014

本文旨在通过多种语言学、心理学及在线行为等多个方面，更好地了解患有心理障碍的社交媒体用户的特征和差异。研究结果表明，这些用户与正常用户相比，在词汇唯一性、情感表达和月度发布方差等方面存在明显差异。

Feb, 2022

通过分析社交媒体数据以及借助人工智能技术，本研究提出了一种用于初步筛选带有自杀意向的社交媒体帖子的方法，以预防自杀行为，并为自杀预防机构、专业人员和社区广泛认知项目提供宝贵的见解。

Dec, 2023

利用深度神经网络构建高级自杀意向知识图谱，并设计两层注意力机制，通过分析社交媒体上的帖子和个别特征因素，识别出自杀意向风险因素，达到 93% 以上的准确率。

Dec, 2020

利用 “树洞” 现象来增强基于微博的自杀风险检测，在树洞内容的基础上建立自杀导向的词嵌入，采用双层关注机制掌握个人开放博客流的间歇性变化点，实现了超过 91％的检测准确率。

Oct, 2019

通过开发深度学习模型以及使用中国社交媒体数据集，本研究提出了一种用于细粒度自杀风险分类的方法，为社交媒体平台上自动识别自杀倾向的个体并及时进行干预提供了有价值的见解。

Apr, 2024

社交网络中社交孤立、社区中的自杀邻居数量、群体中存在的自杀次数等不同特征对于自杀念头和抑郁症状的影响的研究。

Jul, 2012

对于自杀风险的早期检测非常重要，本研究通过青少年自发言语对自杀风险进行自动检测，并收集了汉语数据集，包括来自千名年龄在十到十八岁之间的青少年 15 小时的自杀言语进行实验。通过使用 Whisper 语音模型和大型文本语言模型 (LLM) 来检测自杀风险，采用了全参数微调和参数效率微调方法来适应预训练模型，评估了多种音频文本融合方法来结合 Whisper 和 LLM 的表示，所提出的系统在包括 119 名受试者的测试集上达到了 0.807 的检测准确度和 0.846 的 F1 分数，表明具有潜在的真实自杀风险检测应用前景。

Jun, 2024

本研究旨在在中国社交媒体平台上评估大型语言模型对自杀风险和认知失真的识别能力，发现大型语言模型相较传统的监督学习方法存在较大的性能差距，尤其在微小类别的理解上，GPT-4 在多种情况下表现优异，而 GPT-3.5 经过微调后在自杀风险分类中显示出显著提升，表明大型语言模型在心理学领域具有前瞻性和变革性的应用潜力。

Sep, 2023