本文探讨了通过采用语篇分析构建自动化分析因果关系解释的方法，包括因果关系检测和因果解释识别，展示了完整流水线的应用程序，并探讨了在社交媒体上进行自动化分析的应用领域。

Sep, 2018

使用基于 Transformer 的架构来检测和解释用户写作中抑郁症状标记的出现，并生成可解释的基于症状的解释。

Oct, 2023

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

本文介绍一种新的多模态融合方法，使用图形建模和交叉注意力，将图像和文本进行联合处理以提高应急响应能力。通过三个危机相关任务的测试，表明我们的方法明显优于单模态方法和基准的多模态方法。

Apr, 2020

本研究通过对社交媒体上精神疾病分类进行多类因果关系分析，发现因果关系解释的重叠问题是导致错误预测的主要挑战之一，并通过采用一些解决方法验证了该假设的有效性。实验结果表明，使用 LIME 和 Integrated Gradient（IG）方法，该方法的类别平均分数为 $81.29％$ 和 $0.906$。

Oct, 2022

通过在线社交媒体进行的人工智能驱动的心理障碍检测与解释性人工智能的最新发展，为精神卫生保健提供了全面的概述，旨在指导研究人员、从业人员和决策者发展心理障碍检测领域。

Jun, 2024

本论文旨在介绍基于神经网络的分类方法，该方法针对社交媒体上的危机信息进行二元和多元分类。本方法无需进行特征工程，相比现有的最先进的分类方法，其性能更佳，并可在缺乏标记数据的情况下取得良好的分类效果。

Aug, 2016

该论文着眼于解决分类危机信息难以获取数据的挑战，提出了通过域自适应来学习分类模型并应用于多对多危机事件之间的信息过滤，进而证明该方法的有效性。

May, 2023

提出了 CrisisKAN，一种新颖的知识注入和可解释的多模态注意力网络，结合了来自维基百科的图像和文本以分类危机事件。实验证明，CrisisKAN 在解释性多模态事件分类领域超过了现有的最先进方法。

Jan, 2024

本文提出了一种新颖的方法，将大型语言模型（LLM）与可解释的人工智能（XAI）和类似 ChatGPT 的对话代理相结合，以解决对社交媒体上表达的抑郁症状进行及时检测的挑战。通过将 BERT 的 Twitter 特定变体 BERTweet 集成到 BERT-XDD 模型中，实现了解释能力，并通过掩码注意力提供分类和解释。利用 ChatGPT 将技术解释转化为可读性强的评论，进一步提高了可解释性。我们的方法为可解释性抑郁症检测提供了一种有效且模块化的方法，有助于发展具有社会责任感的数字平台，在合格的保健专业人员指导下促进对心理健康挑战的早期干预和支持。

Jan, 2024