情感特征可提高健康提及分类的性能，并取得显著的性能提升，加入消极情感并不明显影响性能，并且这些模型在其他领域细调不可用时是一种有效的选择。

Dec, 2022

通过随机加权干扰和对比学习策略培训语言模型，并提出元预测器以区分社交媒体文本中的非健康和健康相关类别，实验证明该策略提高了语言模型的性能，元预测器在三个基准数据集上优于现有的健康提及分类预测器。

Oct, 2023

通过深度学习多任务学习框架对多种病情进行建模，包括性别预测作为附加任务，实现对自杀风险和心理健康状况的低误诊率预测，且该多任务学习模型在狭窄训练数据的心理健康任务上也获得了显著的提升。

Dec, 2017

该研究提出一种名为 WESPAD 的方法，结合词汇、句法、词嵌入和上下文等多种特征，在社交媒体上检测个人健康事件，其可以适应新疾病和条件，且在数据量小的情况下表现优异。

Feb, 2018

该研究使用两个数据集，提出了两个多任务学习框架，使用抑郁症和压力作为主要和辅助任务，旨在利用社交媒体挖掘抑郁和压力信息，实现其早期识别。实验显示，该方法相比于传统单任务学习和迁移学习有多重优势。

May, 2023

提出了一种新的多任务方法，通过使用 NE 分段及精细 NE 分类的主要任务和更一般的辅助任务，利用多任务神经网络构架来学习更高阶特征表示，以传统的 CRF 分类器和神经网络结合的方式来解决 Twitter 和分类不一致的问题。

Jun, 2019

通过使用现代意象用法检测和基于 CNN 的个人健康提及检测，本研究实现了两种方法：管道式方法和特征增强式方法，从而提高了个人健康提及检测的准确性，得出了平均 2.21% F-score 的结果。

Jun, 2019

本研究提出了一种利用用户评论建模和自监督学习的方法，用于在社交媒体上进行图像文字关系分类、讽刺检测、情感分类和仇恨言论检测等多模态分类任务，结果表明该方法进一步提高了先前最先进模型的性能。

Mar, 2023

本文介绍了一个深度多任务学习框架，通过上下文级别的视听注意力机制来同时进行情感和表情分析，并在 CMU-MOSEI 数据集上达到了新的最佳性能。

May, 2019

本文探讨了对话中抑郁情绪的特征以及用 Multi-Task Learning 方法来提高抑郁情绪检测的准确性，最终证明了抑郁和情绪、对话组织之间的相关性。

Jul, 2022