基于自杀倾向词向量和分层注意力机制的微博潜在自杀风险检测
利用深度神经网络构建高级自杀意向知识图谱,并设计两层注意力机制,通过分析社交媒体上的帖子和个别特征因素,识别出自杀意向风险因素,达到 93% 以上的准确率。
Dec, 2020
利用机器学习和心理学技术,我们在微博上部署了实时自杀意念检测系统,使用心理语言学字典识别微博用户的自杀意图,并训练了一个有效的自杀微博帖子检测模型,该模型结合机器学习和心理学知识,使用 SVM 分类器,具有最佳性能,F 值为 68.3%,精度为 78.9%,召回率为 60.3%。
Nov, 2014
通过微博等社交媒体识别自杀高危人群,实现积极的干预系统,本研究针对新浪微博的 1041 个用户,采用中文版 Linguistic Inquiry and Word Count(LIWC)词库和 LDA 等 NLP 方法提取语言特征,基于这两种特征通过机器学习算法训练预测模型,以估算基于语言特征的自杀概率。实验结果表明,LDA 能够找到与自杀概率相关的主题并提高预测性能,此研究为预测社交网络用户自杀概率行为增加了价值。
Nov, 2014
本文研究了如何使用深度学习算法来检测社交媒体上的自杀意念,并评估了不同数据集和深度学习模型的性能。研究证实,使用深度学习对社交媒体上的自杀意念检测效果较好,但其表现高度依赖于数据集的质量。
Jun, 2022
通过使用大数据架构,本研究提出了一种基于在线社交媒体平台的实用分析方法,用于预测自杀意念。实验结果显示,采用 (Unigram + Bigram) + CV-IDF 特征提取方法和 MLP 分类器对自杀意念进行分类的性能较高,准确率为 93.47%。
Mar, 2024
本研究通过比较自杀微博用户与非自杀用户在行为和语言特征上的差异,发现自杀人群在公开发布的帖子数量、自我提及程度、以及使用否定词、社会过程词、认知过程词、情感过程词、否定情感词、独有词和生理过程词方面显著突出,这一发现为构建网络预警系统和早期干预提供了指示。
Jul, 2014
本文收集了 24 项关于使用机器学习算法在社交媒体上检测自杀意图的研究,旨在为进一步研究提供帮助,并为从事自杀文本分类的研究人员提供有益资源。
Jan, 2022
对于自杀风险的早期检测非常重要,本研究通过青少年自发言语对自杀风险进行自动检测,并收集了汉语数据集,包括来自千名年龄在十到十八岁之间的青少年 15 小时的自杀言语进行实验。通过使用 Whisper 语音模型和大型文本语言模型 (LLM) 来检测自杀风险,采用了全参数微调和参数效率微调方法来适应预训练模型,评估了多种音频文本融合方法来结合 Whisper 和 LLM 的表示,所提出的系统在包括 119 名受试者的测试集上达到了 0.807 的检测准确度和 0.846 的 F1 分数,表明具有潜在的真实自杀风险检测应用前景。
Jun, 2024
通过开发深度学习模型以及使用中国社交媒体数据集,本研究提出了一种用于细粒度自杀风险分类的方法,为社交媒体平台上自动识别自杀倾向的个体并及时进行干预提供了有价值的见解。
Apr, 2024
社交媒体对传统沟通技术进行了革命性改变,通过使人们能够即时、公开和频繁地进行全球连接。人们使用社交媒体分享个人故事和表达他们的意见。负面情绪,例如对死亡、自残和困难的思考在社交媒体上普遍存在,尤其是在年轻一代中。因此,利用社交媒体来检测自杀思维将有助于提供适当的干预,从而最终阻止他人自残和自杀,并阻止自杀观念在社交媒体上的传播。为了自动检测阿拉伯推文中的自杀思维,我们开发了一个新颖的阿拉伯自杀推文数据集,检查了几种机器学习模型,包括朴素贝叶斯,支持向量机,最近邻居,随机森林和 XGBoost,使用单词频率和单词嵌入特征训练,并研究了面向阿拉伯推文的预训练深度学习模型 AraBert,AraELECTRA 和 AraGPT2 的能力来识别阿拉伯推文中的自杀思维。结果表明,SVM 和 RF 模型在机器学习模型中效果最好,使用字符 n-gram 特征进行训练,准确率达到 86%,F1 分数为 79%。深度学习模型的结果显示,AraBert 模型优于其他机器学习和深度学习模型,在阿拉伯推文数据集中实现了 91%的准确率和 88%的 F1 分数,显着提高了阿拉伯推文中自杀观念的检测能力。据我们所知,这是首个从 Twitter 上开发阿拉伯自杀检测数据集并使用深度学习方法检测阿拉伯帖子中自杀意识的研究。
Sep, 2023