ACLJun, 2021

有关领域的角色：自杀风险评估的弱监督方法

PDF
TL;DR研究表明，社交媒体成为自杀意念研究和自杀风险评估的有价值的资源。在众多社交媒体平台中，匿名性和基于主题的社群（子版块）使得 Reddit 成为最有希望的研究平台，而弱监督方法中使用志愿标记数据的小样本是现有方法面临的挑战。我们提出了一个用多个类别的弱监督方法的实证调查，并证明基于心理健康相关问题（例如，焦虑，抑郁症）的伪标签可以帮助提高自杀风险评估模型的性能。
social mediasuicidal ideationsuicide riskredditweakly-supervised approaches
发现论文，激发创造
  • 通过半监督深度标签平滑技术增强社交媒体上的自杀风险检测

    通过使用模糊或软标签的半监督深度标签平滑方法，在 Reddit C-SSRS 数据集上的五个标签多类分类问题中，我们将分类准确性从现有研究报道的 43％提高到 52％，这有潜力更好地支持那些经历心理困扰的人们。未来的工作应该探索在嘈杂数据集中同时进行自然语言处理和量化认识不确定性和已知不确定性的概率方法的使用。

    May, 2024

  • 建立和使用个人知识图谱以提高社交媒体上自杀意向检测的精准性

    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

  • 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

  • 使用深度学习进行自杀意念检测的定量和定性分析

    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

  • 自杀行为的概念化：利用预测结果的解释分析纵向社交媒体数据

    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

  • 社交媒体上的自杀意念检测：机器学习方法综述

    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

  • 在线咨询服务中自杀风险检测：低资源语言中的研究

    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

  • 社交媒体图片预测自杀风险的可解释人工智能策略

    本研究使用人工智能技术结合自底向上和理论驱动的策略构建了一个混合和可解释的预测模型，从社交媒体图像中预测自杀风险，并发现使用预定义的视觉元素（如明亮的照片、忧伤人物的照片等）可以提高预测性能，这为开发实时监测自杀的工具提供了简单和灵活的预测策略。

    Feb, 2023

  • 随机机器学习方法评估冗余数据：从行政记录和风险评估中预测短期和中期自杀风险

    通过比较临床判断和随机机器学习模型的预测效果，我们研究了三种最有效的随机机器学习技术（随机森林，梯度提升机和带有中断的深度神经网络）在预测阿瑟灵危险因素方面的效力。

    May, 2016

  • 基于社交媒体实时流数据的预测自杀意念的大数据分析系统

    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