利用当代语言模型在序列到序列任务中的应用来增强心理健康研究，通过小型模型，可以准确高效地进行领域特定临床变量的数据标注和心理健康仪器的数据收集，并表现出比商业大型模型更好的性能。

Jun, 2024

本研究利用基于语言的特征进行双相情感障碍识别，关注语法和词素搭配的特征，并考虑到性别这一重要的调节因素。结果显示性别差异的语言模式特征可以显著提高双相情感障碍识别的性能。

Jul, 2019

本文旨在通过多种语言学、心理学及在线行为等多个方面，更好地了解患有心理障碍的社交媒体用户的特征和差异。研究结果表明，这些用户与正常用户相比，在词汇唯一性、情感表达和月度发布方差等方面存在明显差异。

Feb, 2022

本文利用 NLP 方法对近两万 Reddit 用户的临床、人口学和身份特征进行了分析，揭示了这一人群的性别、年龄、国籍等信息，以及他们自诊为躁郁症患者的附加心理健康诊断。同时，本文评估了所有方法并讨论相关伦理问题。

Apr, 2021

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

本篇论文介绍了一项大规模、定量化的研究，针对基于短信的咨询会话的话语进行了计算语言分析，发现了一些有助于改善会话效果的可操作的会话策略。

May, 2016

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

通过对大语料库（Med-PaLM 2）中明确训练的大型语言模型（LLMs）的能力进行研究，本文证明了这些模型能够在没有经过训练的情况下从病人采访和临床描述中预测精神功能。结果表明，Med-PaLM 2 能够评估多种精神疾病的精神功能，其中以基于标准评估的抑郁症评分的预测性能最强（准确率范围 = 0.80-0.84），与人类临床评定人员无显著差异（t (1,144)=1.20；p=0.23）。结果显示了通用的临床语言模型在根据患者和临床医生的自由描述预测精神风险方面的潜力。

Aug, 2023

基于社交媒体帖子的精神障碍预测在当前语言模型的限制下面临挑战，本研究提出了一个创新框架，通过将社交媒体帖子的大量时间顺序压缩为一系列数字，实现了精神障碍的分类，并在三种精神病症（抑郁症、自残和厌食症）中相比当前最优方法在 F1 得分上提升了 5％，同时强调了文本数据的时间属性的重要性，探索了跨领域研究的可能性。

Jun, 2024