通过长期主题模型，我们研究了 COVID-19 期间儿童心理健康的变化，发现性别和性别少数群体的儿童在大流行事件和疫苗相关新闻方面表现更为明显，为临床医生识别与儿童性别和性别认同相关的心理健康差异提供了宝贵的见解。

Dec, 2023

基于社交媒体帖子的精神障碍预测在当前语言模型的限制下面临挑战，本研究提出了一个创新框架，通过将社交媒体帖子的大量时间顺序压缩为一系列数字，实现了精神障碍的分类，并在三种精神病症（抑郁症、自残和厌食症）中相比当前最优方法在 F1 得分上提升了 5％，同时强调了文本数据的时间属性的重要性，探索了跨领域研究的可能性。

Jun, 2024

儿童和青少年的心理健康在过去几年中不断恶化。大型语言模型（LLMs）的出现为监测和干预的成本和时间效率提供了很大希望。我们创建了一个 Reddit 帖子的新数据集，经过专家精神科医生的标注，用于以下类别：创伤，不稳定性，病情，症状，自杀倾向和治疗，并将专家标签与两个表现最佳的 LLMs（GPT3.5 和 GPT4）的注释进行比较。我们发现 GPT4 与人际标注者一致性的表现相当，并且合成数据的性能要高得多，但我们发现模型有时仍会在否定和事实性问题上犯错误，合成数据的更高性能是由于真实数据的复杂性而不是固有优势。

Apr, 2024

传统的心理健康研究方法包括广义线性模型（GLM）来描述观察到的心理行为测量（问卷摘要得分）的纵向动态。而隐藏马尔可夫模型（HMM）通过有限状态自动机（FSA）的视角应用于行为和神经活动与抑郁之间的关系，以提供更综合和直观的建模和理解框架。

Mar, 2024

通过混合隐马尔可夫模型对长期疾病患者轨迹进行亚群分组，从而实现个性化医疗，该模型在研究中表现出较常见基准的优势

Apr, 2024

研究了使用社交媒体的语言特征来检测心理健康问题，并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。

Jun, 2023

本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

Dec, 2022

提出了一种基于层级潜在变量模型的个性化医学方法，该方法能够预测个体疾病过程，提高诊疗效果。将疾病程度描述为连续值，连续时间函数，分享不同粒度观测间的统计力量，使用离线参数学习算法和在线参数学习程序，对硬皮病引起的间质性肺病的疾病过程进行预测，并与现有方法进行比较，获得了显著改进。

Jan, 2016

本研究使用 transformer 模型对 CAMS 数据集进行预训练的迁移学习，改善了现有分类器的效率，准确性取得了提升，证明了在社交媒体上对于心理健康分析中的因果关系的识别是必要的。

Jan, 2023

通过在线平台分享的内容观察个人行为和心情变化的识别已成为越来越重要的课题，本研究定义了一项新的任务，即基于个人在线共享内容识别个人变化时刻，我们在此基础上开发了几种基线模型，并引入了适应上下文的顺序建模的新度量。

May, 2022