使用 BERT 和 MentalBERT 模型，将额外的语言信息注入到社交媒体上进行的压力和抑郁症检测中，通过 Multimodal Adaptation Gate 此方法在三个公开数据集上的表现有所提高。标签平滑化可以提高模型性能和调整模型。在压力和抑郁症文章中观察到了语言差异。

May, 2023

本文研究了社交媒体上的心理压力语言，发现社交媒体的语言模型可用于测量用户和地区的压力，具有较高的预测能力和实际效果。

Nov, 2018

这篇论文介绍了一份新的文本语料库 Dreaddit，该语料库包含来自五个不同类别 Reddit 社群的 19 万条帖子，用于识别长篇社交媒体数据中的压力表征，并提出了基于监督学习的方法。

Oct, 2019

通过自然语言处理和机器学习分类器，本研究以 Reddit 学术社群为对象，检测和分析与压力相关的帖子，发现 Bag of Words 与 Logistic Regression 分类器结合在压力检测上效果最佳，准确率达到 77.78%，F1 得分为 0.79。研究结果表明，与本科生、研究生和博士生等学术层次相比，教授在 Reddit 社群中的帖子和评论是最具压力的。本研究对于了解学术社群压力水平具有重要意义，可以帮助学术机构和在线社群有效地解决这一问题。

Dec, 2023

该研究使用两个数据集，提出了两个多任务学习框架，使用抑郁症和压力作为主要和辅助任务，旨在利用社交媒体挖掘抑郁和压力信息，实现其早期识别。实验显示，该方法相比于传统单任务学习和迁移学习有多重优势。

May, 2023

利用机器学习和自然语言处理方法，在社交媒体上提出了一种自动检测抑郁症的方法。该方法采用文本表示的多种类型来检测抑郁症，并通过情感信息进行上下文化描述。该研究分析了分类模型的能量消耗，并建立了分类精度和计算成本之间的权衡。实验表明，提出的上下文化策略可以提高分类精度，并且使用 Transformers 的方法可以将总体 F 分数提高 2％，但能源成本增加一百倍。最后，该工作为未来的节能系统铺平了道路，同时考虑了性能和能源消耗。

Jun, 2023

本研究提出了一种基于 Experts Model 的架构，它可以从特征向量中学习不同的特征集，有助于更好地从推文中检测情感。与基准结果和 SemEval-2018 任务 1 的前五名表现者相比，实验结果表明，我们提出的方法在情感检测问题上表现出了较好的结果。

Mar, 2019

本文介绍了使用广义回归器系统在推文中估计情绪强度的实验。系统结合了词法、句法和预训练词向量特征，对通用回归器进行训练，并最终结合最佳表现模型创建一个集成系统。所提出的系统在 WASSA-2017 共享任务情感强度排行榜中名列第三。

Aug, 2017

本文提出了一种基于文本单元、词类标记、可读性度量以及第一、第二或第三人称和单词数的方法来检测社交媒体文本中的抑郁迹象。我们的最佳模型获得了 0.439 的宏 F1 分数，排名 31 个团队中的第 25 名。我们进一步利用逻辑回归模型的可解释性，并尝试解释模型系数，以期对该主题的进一步研究有所帮助。

Apr, 2022

本文旨在研究从文本中检测情感强度的任务。我们创建了第一个标记有愤怒、恐惧、喜悦和悲伤强度的推文数据集，并使用最佳 - 最差比例（BWS）技术提高注释一致性和获得可靠的细粒度分数。我们发现情感词 hashtag 通常会影响情感强度，通常传达更强烈的情感。最后，我们创建了一个基准回归系统，并进行实验，以确定哪些特征对于检测情感强度有用，以及两种情感在语言表现方面的相似程度。

Aug, 2017