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

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

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

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

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

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

通过结合预训练语言模型和手动构建的自杀线索集合，我们提出了一个模型来实现自杀风险的自动检测，从而在紧急支持在线服务中支持自杀预防。该模型在跨性别与不同年龄组等多个方面表现良好，并在会话早期就明显优于强基线模型。

Sep, 2022

提出深度学习架构并测试其他 3 种机器学习模型，使用 CLPsych 2021 共享任务中提供的社交媒体帖子数据自动检测将在 30 天和 6 个月内尝试自杀的个体；此外，基于自杀的三阶段理论和先前有关情绪和代词使用的工作，创建和提取三组手工制作的自杀风险检测特征，实验结果表明，一些传统的机器学习方法在子任务 1（预测自杀尝试 30 天前）上的 F1 得分为 0.741，F2 得分为 0.833，超过基线；然而，所提出的深度学习方法在子任务 2（预测 6 个月前的自杀）上的 F1 得分为 0.737，F2 得分为 0.843，超过基线。

Apr, 2021

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