本研究通过对社交媒体上精神疾病分类进行多类因果关系分析，发现因果关系解释的重叠问题是导致错误预测的主要挑战之一，并通过采用一些解决方法验证了该假设的有效性。实验结果表明，使用 LIME 和 Integrated Gradient（IG）方法，该方法的类别平均分数为 $81.29％$ 和 $0.906$。

Oct, 2022

使用 Longformer 对社交媒体数据中的自述文本进行编码，从而发现与心理疾病的因果关系，取得了最新的 M-CAMS 数据集上的最佳结果，为分析抑郁症和自杀风险提供了有效途径。

Apr, 2023

通过社交媒体的分析，研究社区已经在检测心理健康问题及其相关原因方面取得了显著的增长。本研究引入了一份新的数据集用于社交媒体帖子中心理健康问题的因果分析，提出了一个任务的因果分析注释方案，并通过不同的数据集进行了实验。最后，通过 CAMs 数据集提出了一种逻辑回归模型，准确率优于 CNN-LSTM 模型 4.9％。

Jul, 2022

使用基于 Transformer 的架构来检测和解释用户写作中抑郁症状标记的出现，并生成可解释的基于症状的解释。

Oct, 2023

聊天软件等社交媒体的人际互动对个人心理状况具有暗示作用，而计算智能技术、自然语言处理等方面的持续发展为探讨导致用户在线上状况的原因与心理效应提供了一种全新的视角和工具。本文旨在进一步探讨其中两大关键方向：寻找因果关系与推理发生在用户意识中影响的各种心理角度，在自然语言处理的范畴内通过最新的话语分析技术拓展思路空间，以发掘心理计算学问题的更多潜在解决方案。

Jan, 2023

使用社交媒体和预训练语言模型，探索如何利用用户生成的数据来预测心理障碍症状，并发现社交媒体数据是精神健康筛查的良好来源，预训练模型可以有效地自动化这一重要任务。

Jun, 2023

本文研究利用数据增强技术对社交媒体用户生成文本进行分类的效果，发现 Easy Data Augmentation，conditional BERT 和 Back Translation 等技术对于分类器性能的提高有潜力，这对于存在缺乏标记数据和倫理清晰的社会媒体平台上的自动生成的文本的心理健康分类是有意义的。

Dec, 2021

使用 BERT 和 MentalBERT 模型，将额外的语言信息注入到社交媒体上进行的压力和抑郁症检测中，通过 Multimodal Adaptation Gate 此方法在三个公开数据集上的表现有所提高。标签平滑化可以提高模型性能和调整模型。在压力和抑郁症文章中观察到了语言差异。

May, 2023

通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相关的短语的限制。

Mar, 2020

本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

Dec, 2022