从长期用户文本中识别变化时刻
该研究提出了一种基于用户在线发布活动的方法，将长期的用户发布内容细分为时间轴，从而找到可能包含用户行为变化有趣时刻的时间轴；并提出了一种新的框架来评估时间轴，并在两个不同的社交媒体数据集的背景下展示了应用的可行性，并讨论高评价时间轴的语言内容。
Mar, 2023
通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。
Jun, 2021
本研究通过一个时时刻刻的案例研究 —— 了解 COVID-19 大流行期间抑郁症状的转变，探讨了在存在语义转换的情况下，仅包含少量语义不稳定特征，可能会促进目标结果的纵向估计产生显著变化的现象。同时，我们证明了一种最近引入的常量转换方法可以被用于预测基于语言的模型的失效点，并提高预测泛化能力。
Jun, 2022
该研究论文论述了纵向情感分析如何呈现社交媒体平台上的时间动态，存在哪些挑战，以及纵向透视如何使研究更具价值，并通过对 2021 年 1 月 6 日美国国会大厦冲击事件期间的推文进行情感分析的实际应用，探索纵向情感分析在激进化研究领域中的适用性、限制性和局限性，结果表明在某些条件下，纵向情感分析可以提高基于证据的激进化预测的准确性。
Oct, 2022
基于社交媒体帖子的精神障碍预测在当前语言模型的限制下面临挑战，本研究提出了一个创新框架，通过将社交媒体帖子的大量时间顺序压缩为一系列数字，实现了精神障碍的分类，并在三种精神病症（抑郁症、自残和厌食症）中相比当前最优方法在 F1 得分上提升了 5％，同时强调了文本数据的时间属性的重要性，探索了跨领域研究的可能性。
Jun, 2024
本文旨在通过多种语言学、心理学及在线行为等多个方面，更好地了解患有心理障碍的社交媒体用户的特征和差异。研究结果表明，这些用户与正常用户相比，在词汇唯一性、情感表达和月度发布方差等方面存在明显差异。
Feb, 2022
本文提出了一种基于预训练模型，使用图像和文本嵌入的弹性时间丰富多模态变压器模型，用于从社交媒体消息中检测抑郁症，结果表明该方法超越了其他方法，达到了 0.931 F1 值，是目前最先进的方法。
Jan, 2023
本文探讨社交媒体中短期文本表示的漂移变化并将其与表面层的词语动态进行对比，提出了建立预测模型来预测先前含义和概念漂移的短期含义转移的新方法，并可视化关键词的短期表示转移，以发现和跟踪社交媒体中新出现词汇的含义。该研究针对 2014-2015 年的俄乌危机收集了社交媒体语料库，研究表明短期表示漂移可以准确地预测长达数周。此方法可用于探索和刻画危机事件期间流媒体语料库的特定方面，并有可能优化其他下游分类任务，包括实时事件检测。
Mar, 2017