使用深度学习技术和情感知识来检测社交网络上的压抑情绪和负面情感，以提高抑郁症的识别效果。

Jun, 2023

使用名为 COVID-19 抑郁焦虑预测器（CoDAP）的多层感知器（MLP），跟踪了一组美国成年人在 COVID-19 大流行初期（2020 年 4 月至 6 月）十周内的心理健康症状，从而预测了疫情期间焦虑和抑郁模式，并揭示了人口统计因素、行为变化和社会决定性心理健康之间的关系。这些发现有助于更深入地理解全球卫生危机时期心理健康问题的复杂性，并潜在地指导未来的早期干预。

Mar, 2024

本篇论文通过应用 NLP 技术对 COVID-19 期间发布的推特进行分析，建立 EmoCT 数据集，训练情感分类器，并探讨了导致悲伤和恐惧情绪的原因。

Apr, 2020

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

利用机器学习技术识别与 COVID-19 后心理健康障碍相关的风险因素，结果显示年龄、性别、居住地区、合并症和 COVID-19 病情严重程度是影响 COVID-19 后患者心理健康障碍发生的重要因素，并且心理社会因素如社会支持、应对策略和感知压力也起到了重要作用。这些发现强调了多个因素在 COVID-19 康复后心理健康障碍发展中的复杂相互作用，医疗服务提供者和决策者在制定有针对性的干预和支持系统时应考虑这些风险因素。机器学习方法在预测和预防 COVID-19 后不良心理健康结果方面提供了有价值的工具。需要进一步的研究和前瞻性研究来验证这些发现，并增进对 COVID-19 大流行长期心理影响的理解。本研究为 COVID-19 大流行的心理健康后果方面的知识积累做出了贡献，强调了以多学科为基础的方法来满足康复个体多样化需求的重要性。

Sep, 2023

通过研究学生在社交媒体上发布的图片和标题，使用深度学习进行功能工程模型从而检测大学生抑郁症状严重程度的研究表明，具有 BDI 得分大于或等于 20 的学生可以在最佳情况下通过融合模型达到 0.92 的召回率和 0.69 的精度，这表明了大规模抑郁症筛查的潜力，从而有助于发现处于风险的学生。

Dec, 2019

通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

Mar, 2023

本研究旨在深入了解患有长期 COVID 的人的情感和心理健康，确定最关注的主题，探索他们的情绪与社交媒体活动之间的潜在关联。研究发现负面情绪在整个研究期间占主导地位，并在关键时期出现两个高峰，例如新冠病毒变种的爆发。

Jul, 2023

通过对 Twitter 上患有抑郁症状用户的帖子的分析，本研究探索了抑郁症潜在的可靠检测方法，使用半监督统计模型评估了这些症状的持续时间以及它们在 Twitter 上的表达方式与 PHQ-9 医学发现的一致性，获得了最高 68% 的准确性和 72% 的精确度。

Oct, 2017

该研究提供了一个多语种的新冠病毒 Instagram 数据集，旨在帮助研究社区更好地了解 Instagram 这一主要社交媒体中这一现象背后的动态，并帮助研究这一疫情相关的错误信息的传播。

Apr, 2020