通过对社交媒体数据进行分析，研究人员转向使用语言模型来评估精神健康，并引入了一种新的学习范式（PK-iL）来提供临床友好的解释，从而提高精神健康护理和预防策略的效果。

Jun, 2023

AI 系统需要遵循专家制定的指导方针和流程，使用过程知识和领域知识，并提供用户可理解的解释，以在高价值、敏感或安全关键的应用程序中获得信任和信心.

Jun, 2022

通过使用 Proknow 和具有引导作用的自然语言问答生成方法，我们基于 449 个抑郁症和焦虑症患者的诊断谈话开发出一种具有安全约束和专业知识的诊断对话数据集。我们证明了在这个数据集上使用最先进的大规模语言模型的局限性，通过明确建模安全、知识捕获和可解释性，我们的算法提高了 82％以上的生成问题的安全性、解释性和过程指导。

May, 2023

通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

Dec, 2022

该论文通过 PRISMA 框架对机器学习模型的可解释性和可解释性进行了系统的文献综述，重点研究了在预测性过程挖掘中使用复杂业务流程数据训练的机器学习模型的解释挑战，区分了内在可解释模型和需要事后解释技术的模型，并全面概述了当前方法在各应用领域的应用及其应用。通过严格的文献分析，该研究对预测性过程挖掘中的可解释性和可解释性状况进行了详细综合，识别了关键趋势、挑战和未来发展方向。研究结果旨在为研究人员和实践者提供更深入的了解，以开发和实施更可靠、透明和有效的智能预测性过程分析系统。

Dec, 2023

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

该研究报告介绍了人工特征整合的问题，该问题提供了一种将非专业领域用户的重要个人知识纳入到机器学习预测中的方法，并通过用户故事和与现有方法的比较，形式化地描述了该问题，为未来的技术解决方案奠定了基础，并在半现实环境中进行了一个简单版本的解决方案的概念验证研究。

Jun, 2024

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

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