Apr, 2020

心理健康平台上点对点互动的参与模式

PDF
TL;DR本研究通过分析两个在线心理健康平台上的 3500 万篇帖子，建立了用户参与度的四个指标，并提出了一种生成模型，用于同时建模用户参与度的多个不同方面，并综合出 11 种不同的可解释性用户参与度模式。研究发现，TalkLife 平台上的相互回复交互行为显著提高了用户留存率。这种双向互动行为，反过来又与帖子的早期响应时间和情感相关联。
mental illnessonline peer-to-peer supportengagement patternsmental health platformsuser retention
发现论文，激发创造
  • 关键行为特质促进在线心理健康社区的同龄人参与

    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

  • 探索在线支持论坛中自我认定的咨询专业知识

    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

  • 在线心理健康支持中促进共情对话的研究：一种强化学习方法

    本研究旨在通过提出一个新的情感重写任务和使用一种深度加强学习代理来提高在线心理健康支持平台上的情感表达，该代理利用了从 GPT-2 改编的 transformer 语言模型来完成生成具有情感内容的备选句子和在适当位置添加这些句子的任务，并通过一系列自动化和人工评价证明了其成功地生成了更具有共情性、特定性和多样性的响应，从而为促进网络平台上的共情会话提供了直接的启示。

    Jan, 2021

  • 支持者与怀疑者：基于 LLM 的视频分享平台心理健康（误）信息内容交流分析

    在美国，五分之一的成年人患有精神疾病。由于精神健康专业人士和离线资源短缺，在线短视频内容成为传播精神健康帮助和资源的关键渠道。然而，内容创作和获取的便利性也导致了错误信息的传播，对准确诊断和治疗构成风险。检测和了解与此类内容的互动对于减轻其对公共健康的有害影响至关重要。我们使用 YouTube Shorts 和 Bitchute 进行首个定量研究，并贡献了 MentalMisinfo，这是一个新颖的带标签的精神健康错误信息（MHMisinfo）数据集，包括 739 个视频（来自 YouTube 的 639 个和来自 Bitchute 的 100 个）和共计 135,372 条评论，使用专家驱动的注释模式。首先，我们发现少样本上下文学习与大型语言模型（LLM）在检测 MHMisinfo 视频方面是有效的。接下来，我们发现观众在两个视频分享平台上如何参与 MHMisinfo 视频的评论中存在着明显且潜在危险的语言模式。在这两个平台上，评论可能会加剧普遍存在的污名化，并有些群体表现出对 MHMisinfo 的高度易感性和认同。我们讨论了解决在线精神健康错误信息 “流行病” 的技术和公共健康驱动的适应性解决方案。

    Jul, 2024

  • 使用语言和行为视角的在线社交媒体心理障碍分析和可视化

    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

  • 嵌入社区推荐的心理健康话语

    我们的研究通过使用话语嵌入技术来开发一个社区推荐系统，重点关注社交媒体上的心理健康支持群体。我们发现该方法优于单独使用每种技术，并提供推荐过程的可解释性。

    Jul, 2023

  • 利用神经用户嵌入从社交媒体量化心理健康

    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

  • 基于情感的社交媒体心理障碍建模

    通过 Reddit 上用户的情感状态及其转换，提出了一种采用被动式（即自动不受触发）诊断的模型，可以帮助提醒有精神疾病的患者尽快寻求治疗，相比文本内容模型更好地泛化在不同主题和时间的情境中。

    Jan, 2022

  • 探索情绪对于参与型心理健康对话的理解

    为了支持文本媒体在心理健康领域的应用，特别是危机关怀方面，我们正在开发一种使用按键动态和情感分析相结合的 passsive 情感识别系统。我们的初步研究结果表明，分析短信和键盘输入模式可以提供情感信息，以支持用户和接触者。我们利用初步研究结果探讨了将人工智能应用于支持心理健康提供者提供更好关怀的前进方向。

    Jun, 2024

  • 网络论坛中的抑郁症和自残风险评估

    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