本文研究使用 DSD 模型和社交媒体帖子来检测用户级别的临床抑郁，通过提取临床相关特征和用户发布活动的时间模式，最终提高了临床抑郁的检测准确性。

Oct, 2022

通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与 PHQ-9 医学发现的一致性，获得了最高 68% 的准确性和 72% 的精确度。

Oct, 2017

本研究基于推特数据开发了计算模型，能够预测个人是否罹患抑郁症和创伤后应激障碍，并证明了这种数据驱动的预测方法可以为早期筛查和检测精神疾病提供帮助。

Aug, 2016

评估跨文化 Twitter 数据对建立跨文化 AI 模型的泛化性，结果显示抑郁症检测模型在全球化方面表现较差，特别是在全球南方用户中，预训练语言模型在泛化性方面表现最佳，但在抑郁和非西方用户的表现仍存在差距。我们对发现进行量化，并提供了一些建议来缓解此问题。

Apr, 2024

本研究通过对社交媒体发帖进行分析，开发了一个金标准数据集，将人的抑郁水平分为 ' 未抑郁 '、' 中度抑郁 ' 和' 严重抑郁 ' 三种级别，并采用数据增强技术和机器学习算法，其中 Word2Vec 向量化技术和随机森林分类器在数据增强的模型中表现最佳，准确度和 F1 值均为 0.877 。

Feb, 2022

通过对推特数据集的处理和语言模型的使用，对抑郁症和焦虑症产生的词语进行研究，为医学专家提供更好的指导和治疗。

Nov, 2020

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

通过分析社交媒体平台上人们的发帖和讨论，借助自然语言处理技术，本研究提出一种新颖的语义特征预处理技术，通过弱分类器减少特征稀疏性，采用模量循环实现自适应特征维度，深度挖掘和扩展上下文中的特征，训练一个机器学习模型来预测和分类精神障碍，通过 Reddit 精神健康数据集 2022 对焦虑、边缘型人格障碍和双相情感障碍等病症进行研究，解决了数据稀疏性挑战，显著提高了性能，为心理健康预测与监测提供创新解决方案。

Nov, 2023

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

使用推特数据库中的推文，通过词典标注预测了五种抑郁症（双向传输编码器表示）BERT 模型用于特征提取和训练机器学习和深度学习方法用于训练该模型。BERT 模型表现出最有希望的结果，达到了 0.96 的总体准确性。

Apr, 2024