本研究使用 Reddit 用户所自述的标签，利用用户生成的文本对躁郁症进行预测，并与基准分类器进行比较，结果表明我们的分类器优于基准，并且语言使用的特征分析显示出双极情感障碍患者和对照组之间在情感表达方面有着有趣的差异性。

Nov, 2018

本研究提出了一种混合神经网络模型，结合预训练的句子 BERT（SBERT）和卷积神经网络（CNN），通过分析 Reddit 上的帖子来检测抑郁症患者，该模型实现了 0.86 的准确性和 0.86 的 F1 分数，且超过了文献中其他机器学习模型的已有成果（F1 分数为 0.79）。该模型的结果表明了其在检测抑郁症患者方面的可行性，同时也可应用于其他文本分类任务以及不同的临床应用。

Feb, 2023

利用社交媒体帖子识别抑郁症的研究表明，通过对 2022 年抑郁症相关论坛 Reddit 上的热门帖子进行提取和分析，预处理后的数据输入传统机器学习模型，可达到 92.28% 的准确率。

Apr, 2024

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

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

本跨学科研究项目旨在收集和分析社交媒体数据来研究被诊断为双相情感障碍的人群的个人康复经历，旨在探讨个人康复在双相情感障碍中的各个方面和机制。

Jun, 2019

使用半监督学习技术提出了一种检测抑郁症严重程度的系统，通过预测帖子是否来自经历严重、中度或低（非诊断性）抑郁水平的用户，使用 Reddit 上的大量未标记社交媒体帖子进行训练模型的分类。在 LT-EDI@RANLP 2023 共享任务中，我们的框架排名第三。

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

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

本研究使用来自 Reddit 的文本，提出了一种标记方法对文本进行分类，并对 Longformer 模型进行微调。研究发现，在自制数据集上，Longformer 模型在英语（48%）和卢干达语（45%）中均表现优于基准模型，对抑郁症的早期诊断具有较好的效果。

Jan, 2024