本论文分析了社交媒体数据对于进行心理健康研究的现状，并引入了一个基于标准化模式的开源心理健康数据集目录，以促进元分析。

Nov, 2020

本研究旨在通过对社交媒体数据进行大规模分析，使用 1.2 亿条推文来估计美国各个县的抑郁症和焦虑症情况，从而实现以更高的分辨率监测人口心理健康状况的可行性，在精确度方面要优于 ad-hoc 调查。

Feb, 2023

通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

Jun, 2021

通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相关的短语的限制。

Mar, 2020

该论文系统回顾了结合情感信息进行社交媒体中精神疾病检测的方法。讨论了数据集可用性和质量、算法性能和可解释性等方面面临的挑战，并提出了未来研究的潜在方向。

Apr, 2023

使用 QA 方法和统一 QA 模型在两个大型的精神健康数据集上评估心理健康风险，并通过差分隐私来保护用户数据，结果表明在精神健康用例中将风险评估建模为 QA 任务具有良好的性能，为隐私保护诊断系统的发展提供了一个有前途的研究方向。

Jun, 2023

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

本文提出了一种个性化心理健康监测和情绪预测系统，利用患者生理数据，并采用分散的学习机制结合传输和联邦机器学习，使数据留在用户设备上，在隐私和可追踪的方式下实现心理健康条件的跟踪和管理，从而为精神科治疗提供了一个新颖的解决方案。

Jul, 2023

本文提出了一种利用社交媒体内容自动补充传统调查方法得出近实时大规模粗略估计心理健康状况的方法，该方法利用用户 embedding，本研究证明了这些 embedding 可以捕捉到与精神疾病相关的行为特征，从而能够预测用户的心理健康状况。

Apr, 2017

使用大型语言模型（LLMs）综合多传感器数据生成临床有用的洞察力，首次展示使用 LLMs 进行二元抑郁症分类的准确性超过了现有技术，而且还强调了人工智能与医生领域专业知识和患者背景相结合的人工智能协同方法在临床决策支持方面的价值。

Nov, 2023