为了解决在紧急医学中对存在自杀风险的患者延迟专科精神评估和护理的问题，我们提出了一种非侵入性的基于语音的自动自杀风险评估方法，结合录音数据和元数据集成，有效提高了自动自杀风险评估的准确性。

Apr, 2024

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

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

通过提出一种简单的基于深度学习的模型，这篇论文主要关注以聊天机器人为主要数据源，来检测数字内容中的自杀倾向，并提供了一个将该自杀检测与聊天机器人支持系统相结合的框架。

Jan, 2024

本研究探讨了可解释的人工智能（XAI）技术在预测自杀风险和识别主要原因方面的有效性。通过数据扩充技术和机器学习模型进行预测，并利用 SHapley 加性解释方法和相关性分析来排名预测变量的重要性。实验结果表明，决策树（DT）、随机森林（RF）和极端梯度提升（XGBoost）模型取得了最佳结果，其中 DT 具有最高的准确率（95.23%）和曲线下面积（0.95）。根据 SHAP 结果，愤怒问题、抑郁和社交孤立是预测自杀风险的主要变量，而拥有良好收入、受人尊敬的职业和大学教育背景的患者具有最低的风险。结果表明，机器学习和 XAI 框架对于自杀风险预测具有有效性，可以帮助精神科医生理解人类复杂行为，并可协助可靠的临床决策。

Mar, 2023

介绍了深度学习技术在自动抑郁症检测中的应用方法，包括音频和视频中的抑郁指标，最后讨论了深度学习技术在自动抑郁诊断方面的挑战和前景

May, 2021

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

使用人工智能方法，发现无聊是一种触发自杀行为的不必要的 ' 成分 '，无论是否存在抑郁症。建议进一步研究以引起临床医生对这种沉重、有时是存在主义的经历的关注。

Apr, 2024

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

对于自杀风险的早期检测非常重要，本研究通过青少年自发言语对自杀风险进行自动检测，并收集了汉语数据集，包括来自千名年龄在十到十八岁之间的青少年 15 小时的自杀言语进行实验。通过使用 Whisper 语音模型和大型文本语言模型 (LLM) 来检测自杀风险，采用了全参数微调和参数效率微调方法来适应预训练模型，评估了多种音频文本融合方法来结合 Whisper 和 LLM 的表示，所提出的系统在包括 119 名受试者的测试集上达到了 0.807 的检测准确度和 0.846 的 F1 分数，表明具有潜在的真实自杀风险检测应用前景。

Jun, 2024