探测自杀笔记中的被视为负担和归属受挫
研究表明,社交媒体成为自杀意念研究和自杀风险评估的有价值的资源。在众多社交媒体平台中,匿名性和基于主题的社群(子版块)使得Reddit成为最有希望的研究平台,而弱监督方法中使用志愿标记数据的小样本是现有方法面临的挑战。我们提出了一个用多个类别的弱监督方法的实证调查,并证明基于心理健康相关问题(例如,焦虑,抑郁症)的伪标签可以帮助提高自杀风险评估模型的性能。
Jun, 2021
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
利用 Robin 数据集,我们使用机器学习算法进行自杀意图的在线检测,具有传统方法不具有的成本和时间优势,该数据集包含了超过110万个帖子,用于训练模型可以更好地学习表达自杀意向的微妙细节,实验表明我们的模型能够实现自杀文本分类的最新性能。
Sep, 2022
本文介绍了一种通过零样本学习识别临床笔记中自杀、自残等自杀风险要素的新方法。通过在基于目标标签的基本字符串的帮助下,使用诊断编码确定培训数据集标签,使用神经网络映射训练文档内容到语义空间,相比较于传统的深度神经网络模型,在多个概率阈值上提高了AUC、灵敏度、特异度和正预测值等评价指标。在应用0.90概率阈值时,该方法可以在不需要手动标注的情况下,以94%的准确度识别与自杀相关的临床笔记。
Jan, 2023
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
本研究构建并发布一个新的标注数据集,针对社交媒体上影响精神健康的人际风险因素进行分类和解释,以自然语言处理为切入点,建立模型并探讨以此为基础的AI个性化模型的未来研究方向。
May, 2023
本研究引入一项心理学基础和专家注释的数据集,旨在研究和检测Reddit上的低自尊心,并通过标注方法确保监督学习的金标准;本研究的结果表明,可以开发一类注入心理和临床知识的语言模型。
Jun, 2023
通过对DepressionEmo数据集进行情感、时间分布和语言分析,并使用文本分类方法,特别是BERT模型,研究表明该数据集在通过文本分析来识别抑郁症患者的情感上具有一定的价值,其中自杀意图情感所达到的最高F1-Macro值表明了这一点。
Jan, 2024
通过开发深度学习模型以及使用中国社交媒体数据集,本研究提出了一种用于细粒度自杀风险分类的方法,为社交媒体平台上自动识别自杀倾向的个体并及时进行干预提供了有价值的见解。
Apr, 2024
该研究解决了精神病院中自杀事件识别和分类不准确的问题。通过评估多种BERT模型的性能,提出了利用单一多标签分类器的创新方法,从而提高了自杀相关事件的检测精度。研究发现,基于RoBERTa的模型在识别自杀倾向方面表现最佳,具有潜在的改进护理质量和减少操作负担的影响。
Sep, 2024