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

本文利用深度神经网络模型，通过机器学习方法处理现有的电子健康记录，在 522,056 个加州青少年的历史记录数据中，预测出其在 2010 年是否有自杀未遂行为（二元分类问题），并取得了敏感度为 0.703，特异度为 0.980 和 AUC 为 0.958 的良好预测效果。

Nov, 2017

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

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

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

通过分析社交媒体数据以及借助人工智能技术，本研究提出了一种用于初步筛选带有自杀意向的社交媒体帖子的方法，以预防自杀行为，并为自杀预防机构、专业人员和社区广泛认知项目提供宝贵的见解。

Dec, 2023

本文综合介绍和讨论了自杀意向检测的临床方法和基于机器学习的自动检测方法，以问卷、电子健康记录、自杀笔记和在线用户内容为数据源，引入和总结了几个具体的任务和数据集，总结了现有工作的局限性，并展望了未来的研究方向。

Oct, 2019

通过结合预训练语言模型和手动构建的自杀线索集合，我们提出了一个模型来实现自杀风险的自动检测，从而在紧急支持在线服务中支持自杀预防。该模型在跨性别与不同年龄组等多个方面表现良好，并在会话早期就明显优于强基线模型。

Sep, 2022

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