通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

Jan, 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

通过分析社交媒体上用户的历史帖子，我们提出了一种名为 DORIS 的新型抑郁症检测系统，结合医学知识和大型语言模型的最新进展，在早期检测和干预上具有重要作用，并且该系统通过结合传统分类器和大型语言模型，融合医学知识引导的特征，实现了高准确性和可解释性的预测结果。

Mar, 2024

本研究旨在通过深度学习方法，结合 RoBERTa 和 DeBERTa 模型，并利用 DepSign-LT-EDI 任务对社交媒体文本进行分类，进一步加强对精神健康对话的理解，最终取得了优越的性能表现，同时提供了相关代码以促进透明度和进一步发展。

Nov, 2023

通过社交媒体和深度学习方法研究抑郁症症状语句的鉴别和相关性评估。

Oct, 2023

使用深度学习技术和情感知识来检测社交网络上的压抑情绪和负面情感，以提高抑郁症的识别效果。

Jun, 2023

通过对罗马化僧伽罗社交媒体数据的利用，本研究提出了一个基于机器学习的框架，通过分析语言模式、情感和行为线索在全面的社交媒体帖子数据集中自动筛查抑郁症状。结果表明，提出的具有注意力层的神经网络在检测抑郁症状方面取得了 93.25％的显著准确度，超过了当前最先进的方法。这些发现强调了该方法在定位需要积极干预和支持的个体方面的功效。该研究对心理健康专业人士、政策制定者和社交媒体公司提供了有价值的见解。通过利用自然语言处理技术和机器学习算法，本研究为数字时代的心理健康筛查提供了一个有前途的路径。通过利用社交媒体数据的潜力，该框架引入了一种识别和援助抑郁风险个体的积极方法。总之，本研究在积极干预和支持心理健康系统方面做出了贡献，从而对领域内的研究和实际应用产生影响。

Mar, 2024

本文提出了一种基于预训练模型，使用图像和文本嵌入的弹性时间丰富多模态变压器模型，用于从社交媒体消息中检测抑郁症，结果表明该方法超越了其他方法，达到了 0.931 F1 值，是目前最先进的方法。

Jan, 2023

研究表明，利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章，实现抑郁症自动诊断，并能有效地提高分类器的性能。

May, 2023

本研究提出了一种混合神经网络模型，结合预训练的句子 BERT（SBERT）和卷积神经网络（CNN），通过分析 Reddit 上的帖子来检测抑郁症患者，该模型实现了 0.86 的准确性和 0.86 的 F1 分数，且超过了文献中其他机器学习模型的已有成果（F1 分数为 0.79）。该模型的结果表明了其在检测抑郁症患者方面的可行性，同时也可应用于其他文本分类任务以及不同的临床应用。

Feb, 2023