通过对 Reddit 帖子进行分析，本研究发现 COVID-19 对大众的精神健康状况造成了不成比例的影响。在自动标注 COVID-19 支持帖子中的焦虑问题后，我们发现 Reddit 用户在疫情早期对健康风险的担忧非常高，随着时间的推移减少，但对心理健康和未来的担忧却不断上升。

Sep, 2022

该研究应用自然语言处理技术对社交媒体数据进行分析，以确定 COVID-19 大流行期间的心理社会压力源，并分析各阶段压力源的流行趋势。结果可用于提供洞察力，以便为个人提供高质量的心理健康支持。

Jan, 2022

本文研究了美国 112 个城市在 COVID-19 疫情肆虐期间的主观幸福感，通过对城市相关的 subreddits 进行分析。我们采用了积极和消极的情感来量化主观幸福感，并使用时间序列模型预测疫情前的期望幸福感。研究发现，通过语言反映出的社区特征可以预测社区的弹性，那些更紧密联系和更高参与度的社区不太可能受到疫情的显著影响。而更多地谈论面对面社交，如朋友、家庭和归属感等社交关系的社区，则更容易受到影响。此外，我们使用相同的特征来预测每个社区在初期疫情暴发后的恢复速度，发现更强调家庭、社交和归属感的社区恢复速度更慢。

Aug, 2022

通过社交媒体分析，该研究调查了 COVID-19 感染与抑郁症之间的关系，提出了一种考虑情绪特征、基于深度神经网络的早期预测模型，实验结果表明该模型能够有效检测抑郁症风险，可帮助公共卫生组织对高风险患者进行及时干预。

Feb, 2023

本研究旨在深入了解患有长期 COVID 的人的情感和心理健康，确定最关注的主题，探索他们的情绪与社交媒体活动之间的潜在关联。研究发现负面情绪在整个研究期间占主导地位，并在关键时期出现两个高峰，例如新冠病毒变种的爆发。

Jul, 2023

本研究对新冠疫情期间 LGBTQ 社群面对的压力进行了分析，并通过机器学习模型和语言分析研究了 LGBTQ 社群在疫情期间的语言表达和情绪变化。结果表明 LGBTQ 社群中存在更多的消极情绪和负面的心态。

May, 2022

本篇论文通过应用 NLP 技术对 COVID-19 期间发布的推特进行分析，建立 EmoCT 数据集，训练情感分类器，并探讨了导致悲伤和恐惧情绪的原因。

Apr, 2020

本文基于 Reddit 讨论平台上男女语言产出的新数据集，进一步确认了现有有关性别影响的情感区别方面的假定，并证明这些差异在涉及 COVID-19 的情感话语的社交媒体发布中得到了放大。我们的分析还确认了在自然灾害相关的讨论中，男性和女性作者的主题偏好存在相当大的差异。

Aug, 2020

利用机器学习技术识别与 COVID-19 后心理健康障碍相关的风险因素，结果显示年龄、性别、居住地区、合并症和 COVID-19 病情严重程度是影响 COVID-19 后患者心理健康障碍发生的重要因素，并且心理社会因素如社会支持、应对策略和感知压力也起到了重要作用。这些发现强调了多个因素在 COVID-19 康复后心理健康障碍发展中的复杂相互作用，医疗服务提供者和决策者在制定有针对性的干预和支持系统时应考虑这些风险因素。机器学习方法在预测和预防 COVID-19 后不良心理健康结果方面提供了有价值的工具。需要进一步的研究和前瞻性研究来验证这些发现，并增进对 COVID-19 大流行长期心理影响的理解。本研究为 COVID-19 大流行的心理健康后果方面的知识积累做出了贡献，强调了以多学科为基础的方法来满足康复个体多样化需求的重要性。

Sep, 2023

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