本文提出了一种神经框架来支持研究在线支持社区和 Twitter、Reddit 等一般社区的用户，介绍了一种鉴别自伤风险发帖的方法，并展示了在 RSDD 一般论坛数据集上通过自然语言分析识别出抑郁症用户的方法优于强基线。

Sep, 2017

本研究考察了网站 Reddit 上 36,000 个社区之间的互动和如何导致冲突和负面互动。研究者发现少数社区 (小于 1%) 导致了 74% 的冲突，而冲突往往由高活跃度的社区成员开始，但由低活跃度的成员执行。冲突导致了 “回声室” 的形成，也对目标社区用户的整体活跃产生了负面影响。分析用户互动数据还提出了缓解冲突负面影响的策略，以及如何通过使用结合图嵌入，用户，社区和文本特征的 LSTM 模型来预测冲突的发生，早期预警系统可以防止冲突的发生。

Mar, 2018

该研究提出了一种基于多种特征的框架来将用户发帖在划分为四个自残意象严重程度级别，并使用该模型分析用户的心理状态，并展示长期使用论坛的用户的风险程度减少的情况，该模型对有效识别用户自残风险方面大幅优于现有技术（F-1 分数高达 17% 的提升），同时指出在没有自动方式识别关键内容的条件下，对于管理员来说，及时解决用户的诉求非常具有挑战性。

Feb, 2017

通过结合预训练语言模型和手动构建的自杀线索集合，我们提出了一个模型来实现自杀风险的自动检测，从而在紧急支持在线服务中支持自杀预防。该模型在跨性别与不同年龄组等多个方面表现良好，并在会话早期就明显优于强基线模型。

Sep, 2022

通过分析 BeCOPE 数据集中的在线心理健康社区中的同行辅导帖子的行为，研究揭示了在线心理健康社区的关键作用以及自我批评和阅读可理解性对帮助寻求者的互动的影响。

Sep, 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

本文研究了机器学习模型在对包含多种形式的细微虐待语言（如敌意、讽刺和概括等）的不健康在线会话进行分类的应用。结合包含 7 种细微有毒评论的公共数据集，我们成功地对这些评论进行了分类和判别，并揭示了对于不同种类的不健康评论，其中，敌意评论比其他类型更容易检测。同时，情感分析表明，多数类型的有害评论与轻微负面情绪相关联，其中敌意评论是最具负面情绪的类型。

Jun, 2021

本研究构建并发布一个新的标注数据集，针对社交媒体上影响精神健康的人际风险因素进行分类和解释，以自然语言处理为切入点，建立模型并探讨以此为基础的 AI 个性化模型的未来研究方向。

May, 2023

本文研究了精神健康相关的在线求助帖子中，自识别为精神健康专家与同龄人的回复差异，使用语言学分析探讨二者交互中的语言使用和互动特点，以期为理解健康专家在社交网络中与信息和支持寻求者的互动作出贡献。

Jun, 2021

本文通过设计一种 AI 辅助工作流程，根据用户的情感状态和文本关键词，使得在在线心理健康社区中进行情感支持成为可能，并提出了相应的设计建议。

Feb, 2022