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

对抑郁症患者的语言标记进行研究表明，语言使用可以作为心理健康的指标。本研究通过使用 Reddit 数据集，探讨讨论主题作为语境对抑郁症中的语言标记和情感表达的影响，发现情感分析揭示了抑郁症患者中更广泛的情感强度范围，与控制组相比，负面情感和正面情感都更高。这一模式是由不含情感词的帖子驱动的，揭示了基于词汇的方法在捕捉完整情感背景方面的局限性。我们观察到了几个有趣的结果，显示出上下文分析的重要性。例如，第一人称单数代词的使用和与愤怒、悲伤相关的词汇与情感积极性增加相关，而对现在的专注程度更高的词汇与情感消极性增加相关。我们的发现凸显了解读抑郁症患者使用语言时讨论语境的重要性，揭示了语言标记的情感强度和意义可以因讨论主题而变化。

May, 2024

本研究旨在使用多种算法测试识别冒犯帖子的能力，并评估其对多种评估方法的性能，以减少这些语言对人工审核者的伤害。通过实验，本项目能够激发对识别方法和内容的未来研究。

Dec, 2023

该研究旨在创建第一个具有细粒度标签的 Reddit 评论英语数据集，该数据集使用了最佳 - 最差比较评分的方式进行注释，为社交媒体平台上自动检测冒犯性言论提供了可靠方法。

Jun, 2021

社交媒体上的仇恨言论和错误信息与心理健康之间存在关联，使用机器学习和大型语言模型，从 Reddit 等社区获取数据并进行分析，揭示了它们在社区中的作用及其与心理障碍和整体心理健康之间的联系。

Sep, 2023

利用机器学习和自然语言处理方法，在社交媒体上提出了一种自动检测抑郁症的方法。该方法采用文本表示的多种类型来检测抑郁症，并通过情感信息进行上下文化描述。该研究分析了分类模型的能量消耗，并建立了分类精度和计算成本之间的权衡。实验表明，提出的上下文化策略可以提高分类精度，并且使用 Transformers 的方法可以将总体 F 分数提高 2％，但能源成本增加一百倍。最后，该工作为未来的节能系统铺平了道路，同时考虑了性能和能源消耗。

Jun, 2023

该研究针对互联网社区和社交媒体平台中的恶意内容问题，在英语研究有限的情况下，通过希腊注释数据集 OGTD，评估了几个计算模型，以便识别 Twitter 上的带攻击性的帖子和不带攻击性的帖子。

Mar, 2020

本篇报告探讨了社交媒体中侮辱性语言的检测是其中的关键挑战之一，研究者已经提出了许多先进的方法来完成这项任务，在此基础上，作者结合自己的想法，成功实现了 74% 的侮辱性 tweet 分类准确率，并列举了社交媒体世界中即将出现的滥用内容检测挑战。

Sep, 2022

本研究基于推特数据开发了计算模型，能够预测个人是否罹患抑郁症和创伤后应激障碍，并证明了这种数据驱动的预测方法可以为早期筛查和检测精神疾病提供帮助。

Aug, 2016

通过使用基于不同单词嵌入的卷积神经网络和基于用户级语言元数据的分类，本文着眼于利用社交平台上的信息对抑郁症进行早期检测，同时提出了一种略微修改的 ERDE 得分用于衡量早期检测系统，并评估了用于相同领域的大型语料库的新单词嵌入

Apr, 2018