利用社交媒体帖子识别抑郁症的研究表明，通过对 2022 年抑郁症相关论坛 Reddit 上的热门帖子进行提取和分析，预处理后的数据输入传统机器学习模型，可达到 92.28% 的准确率。

Apr, 2024

通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与 PHQ-9 医学发现的一致性，获得了最高 68% 的准确性和 72% 的精确度。

Oct, 2017

本研究通过对社交媒体发帖进行分析，开发了一个金标准数据集，将人的抑郁水平分为 ' 未抑郁 '、' 中度抑郁 ' 和' 严重抑郁 ' 三种级别，并采用数据增强技术和机器学习算法，其中 Word2Vec 向量化技术和随机森林分类器在数据增强的模型中表现最佳，准确度和 F1 值均为 0.877 。

Feb, 2022

通过研究学生在社交媒体上发布的图片和标题，使用深度学习进行功能工程模型从而检测大学生抑郁症状严重程度的研究表明，具有 BDI 得分大于或等于 20 的学生可以在最佳情况下通过融合模型达到 0.92 的召回率和 0.69 的精度，这表明了大规模抑郁症筛查的潜力，从而有助于发现处于风险的学生。

Dec, 2019

MoodCapture 通过智能手机前置相机自动捕捉的图像提出了一种新的评估抑郁症的方法，收集了 177 位被诊断为重度抑郁症的参与者 90 天内超过 125,000 张在日常生活中捕捉到的图像，并通过分析图像属性如角度、主导颜色、位置、物体和照明等，证明了使用面部标记的随机森林可以有效地分类样本为抑郁或非抑郁，并准确预测 PHQ-8 评分，在事后分析中提供了许多洞见，如消融研究、特征重要性分析和偏差评估，重要的是，我们评估了用户对使用 MoodCapture 检测抑郁症的担忧，为未来设计基于图像的在野外心理健康评估工具提供了重要的隐私问题洞察。

Feb, 2024

社交媒体上诊断为抑郁症患者的个体表现出较高的认知失调水平，尤其是个人化和情感推理，这种失调效应特定于表达的内容，可能会成为公认的导致抑郁症的在线语言模式的检测和缓解的依据，并有助于解释社交媒体对心理健康的负面影响。

Feb, 2020

使用深度学习技术和情感知识来检测社交网络上的压抑情绪和负面情感，以提高抑郁症的识别效果。

Jun, 2023

使用半监督学习技术提出了一种检测抑郁症严重程度的系统，通过预测帖子是否来自经历严重、中度或低（非诊断性）抑郁水平的用户，使用 Reddit 上的大量未标记社交媒体帖子进行训练模型的分类。在 LT-EDI@RANLP 2023 共享任务中，我们的框架排名第三。

Sep, 2023

通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

Mar, 2023

通过分析社交媒体上用户的历史帖子，我们提出了一种名为 DORIS 的新型抑郁症检测系统，结合医学知识和大型语言模型的最新进展，在早期检测和干预上具有重要作用，并且该系统通过结合传统分类器和大型语言模型，融合医学知识引导的特征，实现了高准确性和可解释性的预测结果。

Mar, 2024