Nov, 2014

使用心理词典检测中国微博中的自杀意念

PDF
TL;DR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％。
suicidemicroblogsweibomachine learningpsychological techniques
发现论文，激发创造
  • 使用语言学特征估算中国微博用户的自杀概率

    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

  • 自杀行为与言论表现在中国自杀微博用户中的比较分析

    本研究通过比较自杀微博用户与非自杀用户在行为和语言特征上的差异，发现自杀人群在公开发布的帖子数量、自我提及程度、以及使用否定词、社会过程词、认知过程词、情感过程词、否定情感词、独有词和生理过程词方面显著突出，这一发现为构建网络预警系统和早期干预提供了指示。

    Jul, 2014

  • 建立和使用个人知识图谱以提高社交媒体上自杀意向检测的精准性

    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

  • 社交媒体上的自杀意念检测：机器学习方法综述

    本文收集了 24 项关于使用机器学习算法在社交媒体上检测自杀意图的研究，旨在为进一步研究提供帮助，并为从事自杀文本分类的研究人员提供有益资源。

    Jan, 2022

  • 基于社交媒体实时流数据的预测自杀意念的大数据分析系统

    通过使用大数据架构，本研究提出了一种基于在线社交媒体平台的实用分析方法，用于预测自杀意念。实验结果显示，采用 (Unigram + Bigram) + CV-IDF 特征提取方法和 MLP 分类器对自杀意念进行分类的性能较高，准确率为 93.47%。

    Mar, 2024

  • 基于自杀倾向词向量和分层注意力机制的微博潜在自杀风险检测

    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

  • 谨慎自杀：一种基于深度学习的方法用于实时聊天机器人对话中检测自杀意念

    通过提出一种简单的基于深度学习的模型，这篇论文主要关注以聊天机器人为主要数据源，来检测数字内容中的自杀倾向，并提供了一个将该自杀检测与聊天机器人支持系统相结合的框架。

    Jan, 2024

  • 自杀意念检测：机器学习方法和应用综述

    本文综合介绍和讨论了自杀意向检测的临床方法和基于机器学习的自动检测方法，以问卷、电子健康记录、自杀笔记和在线用户内容为数据源，引入和总结了几个具体的任务和数据集，总结了现有工作的局限性，并展望了未来的研究方向。

    Oct, 2019

  • 自杀行为的概念化：利用预测结果的解释分析纵向社交媒体数据

    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

  • 使用深度学习进行自杀意念检测的定量和定性分析

    本文研究了如何使用深度学习算法来检测社交媒体上的自杀意念，并评估了不同数据集和深度学习模型的性能。研究证实，使用深度学习对社交媒体上的自杀意念检测效果较好，但其表现高度依赖于数据集的质量。

    Jun, 2022