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 Reddit 上用户的情感状态及其转换，提出了一种采用被动式（即自动不受触发）诊断的模型，可以帮助提醒有精神疾病的患者尽快寻求治疗，相比文本内容模型更好地泛化在不同主题和时间的情境中。

Jan, 2022

该论文系统回顾了结合情感信息进行社交媒体中精神疾病检测的方法。讨论了数据集可用性和质量、算法性能和可解释性等方面面临的挑战，并提出了未来研究的潜在方向。

Apr, 2023

通过对罗马化僧伽罗社交媒体数据的利用，本研究提出了一个基于机器学习的框架，通过分析语言模式、情感和行为线索在全面的社交媒体帖子数据集中自动筛查抑郁症状。结果表明，提出的具有注意力层的神经网络在检测抑郁症状方面取得了 93.25％的显著准确度，超过了当前最先进的方法。这些发现强调了该方法在定位需要积极干预和支持的个体方面的功效。该研究对心理健康专业人士、政策制定者和社交媒体公司提供了有价值的见解。通过利用自然语言处理技术和机器学习算法，本研究为数字时代的心理健康筛查提供了一个有前途的路径。通过利用社交媒体数据的潜力，该框架引入了一种识别和援助抑郁风险个体的积极方法。总之，本研究在积极干预和支持心理健康系统方面做出了贡献，从而对领域内的研究和实际应用产生影响。

Mar, 2024

介绍了一个超过 7000 个波斯语句子的人工标注情感数据集 ——ArmanEmo，该数据集基于 Ekman 的六种基本情感和 “其他” 类别标注，同时提供了基于现代语言模型的情感分类基线模型。实验结果表明，该数据集具有超越现有波斯语情感数据集的更好泛化能力。

Jul, 2022

本文提出了一种利用社交媒体内容自动补充传统调查方法得出近实时大规模粗略估计心理健康状况的方法，该方法利用用户 embedding，本研究证明了这些 embedding 可以捕捉到与精神疾病相关的行为特征，从而能够预测用户的心理健康状况。

Apr, 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

通过注释实验和 BERT 分类器，我们研究了文学作品中的美学情感，包括复杂和微妙的情感，以及作者的意图和读者的反应之间的区别，并形成了一个对于未来大规模分析的一致数据集。

Mar, 2020

通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

Jan, 2023

本文旨在对泰米尔社交媒体评论进行情感分析，包括 11 个和 31 个特定类别的情感，通过使用转换器模型、循环神经网络和集成模型三种方法解决该问题，其中 XLM-RoBERTa 在第一个任务中表现最佳，宏平均 f1 得分为 0.27，而 MuRIL 在第二个任务中提供了最佳结果，宏平均 f1 得分为 0.13。

Apr, 2022