本文提出了一种基于语言线索的方法来评估剧本质量，以预测在主要电影奖项上申报表彰的剧本提名。利用叙事学和领域特定功能，我们的方法在剧本选取方面提供了明显的优势，为未来的剧本分析提供了新的研究方向。

May, 2020

提出了一种基于多模态语音和文本表达的关注机制用于预测抑郁症，使用 DAIC-WOZ 数据集训练所提出的模型，分别在音频、文本和多模态情况下进行了实验，并取得了较好的预测效果。

Feb, 2022

本文提出了一个有效的语义管道，基于社交媒体的写作，研究个体的抑郁症严重程度。通过计算方法，利用用户生成的社交媒体内容，本文探讨了不同聚合方法以准确预测用户症状严重程度，并在 Reddit 的两个基准测试中取得了 30％的提高。

Nov, 2022

本文比较评估了使用 transformers 和传统机器学习模型在 Jigsaw 最近发布的毒性严重度测量数据集上的表现，并通过可解释性分析展示了模型预测中的问题。

Jun, 2022

针对当前性骚扰、性虐待和性暴力普遍存在的问题，本文通过分析电影镜头中相关的图像特征，将这三个概念进行了分类。研究发现，被害人和施害人的面部表情以及不必要的接触是识别性骚扰、性虐待和性暴力场景的关键因素。此外，研究发现目前已有的显式内容检测器未能识别和分类这类图像，为此本研究开发了适用于深度学习计算机视觉模型训练的数据集。该数据集是基于来自印度电影场景的首个数据集，其可公开用于研究和开发。

Jun, 2023

本研究调查了应用顺序回归方法对胸部 X 射线片中的疾病严重程度进行分类。我们提出了一个框架，将顺序回归问题分为三个部分：模型、目标函数和分类函数。我们使用 ResNet50 和 ViT-B-16 深度学习模型应用了不同的编码方法，包括独热编码、高斯编码、进度条编码和我们的软性进度条编码。我们表明编码的选择对性能有很大影响，最佳编码方法取决于所选择的 Cohen's kappa 的加权方式，以及所使用的模型架构。我们在 GitHub 上公开了我们的代码。

Feb, 2024

文章提出一种基于排序算法的疾病严重程度评分学习框架（DSSL），可将患者的测量数据转化为与专家评分一致的严重程度分数，将其应用于感染性休克疾病的严重程度评分，得到的分数在排序和早期治疗方面均明显优于现有的临床评分，并且对不同治疗方案的变化具有更好的泛化性能。

Jul, 2015

本文提出了一套新的方法，即使用多任务训练，包含严重程度预测误差、说话者 - 严重程度感知辅助特征适应以及基于与严重度有关和说话者身份有关的 LHUC 转换来进行发音障碍语音识别，结果实验表明将额外的语音障碍严重度纳入最先进的混合 DNN、E2E Conformer 和预训练的 Wav2vec 2.0 ASR 系统，可以产生显著的 WER 下降，最低 WER 达到 17.82％。

May, 2023

通过构建一种包含身份偏见注释的电影剧本数据集，使用深度学习模型识别剧本中的偏见，此举可避免影片发行受阻、诉讼等不利后果。

May, 2022

本文介绍了我们参加 IberLEF 2023 中的 MentalRiskES 任务，使用传统机器学习和深度学习技术预测了个体社交媒体活动导致抑郁的可能性，其中使用 BRET-based 模型微调和使用线性回归器作为输入的句子嵌入的两种建模方法，结果表明后者获得了更好的结果。

Jun, 2023