本文研究了如何使用深度学习算法来检测社交媒体上的自杀意念，并评估了不同数据集和深度学习模型的性能。研究证实，使用深度学习对社交媒体上的自杀意念检测效果较好，但其表现高度依赖于数据集的质量。

Jun, 2022

本文综合介绍和讨论了自杀意向检测的临床方法和基于机器学习的自动检测方法，以问卷、电子健康记录、自杀笔记和在线用户内容为数据源，引入和总结了几个具体的任务和数据集，总结了现有工作的局限性，并展望了未来的研究方向。

Oct, 2019

本文利用深度神经网络模型，通过机器学习方法处理现有的电子健康记录，在 522,056 个加州青少年的历史记录数据中，预测出其在 2010 年是否有自杀未遂行为（二元分类问题），并取得了敏感度为 0.703，特异度为 0.980 和 AUC 为 0.958 的良好预测效果。

Nov, 2017

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

使用生成式人工智能模型，如 ChatGPT、Flan-T5 和 Llama，通过利用社会因素从心理学文献中提取的数据，创造了可用于自杀倾向检测的合成数据，结果表明这种方法在克服数据匮乏和数据表征多样性等领域主要挑战方面具有潜力。

Jan, 2024

通过比较临床判断和随机机器学习模型的预测效果，我们研究了三种最有效的随机机器学习技术（随机森林，梯度提升机和带有中断的深度神经网络）在预测阿瑟灵危险因素方面的效力。

May, 2016

本研究利用电子病历记录中的数据建立了一个包含自杀企图和自杀意念信息的数据集 (Suicide Attempt and Ideation Events (ScAN))，并利用 RoBERTa 多任务模型设计了一个名为 ScANER 的检索模型实现了相关自杀行为信息的提取，同时可以对患者的自杀行为类型进行分类，该模型取得了比较高的性能表现 (0.83 的加权 F1 值)，ScAN 和 ScANER 模型均可以公开使用。

May, 2022

应用大型语言模型（LLMs）从临床记录中提取各种药物使用障碍（SUD）诊断的严重性相关信息的研究，展示 LLMs 在提取严重性信息方面的优越性，有助于改善 SUD 患者的风险评估和治疗计划。

Mar, 2024

通过分析 NVDRS 的注释不一致性，我们采用了一种经验性的自然语言处理方法来检测问题实例，并采用了交叉验证的模式来识别出有问题的情况，结果显示将目标州的数据纳入训练自杀危机分类器可以使 F-1 得分提高 5.4%，对其他州的测试集得分则降低了 1.1%。最后，我们提出了一种 NLP 改进方案。

Mar, 2024

为了解决在紧急医学中对存在自杀风险的患者延迟专科精神评估和护理的问题，我们提出了一种非侵入性的基于语音的自动自杀风险评估方法，结合录音数据和元数据集成，有效提高了自动自杀风险评估的准确性。

Apr, 2024