本研究提出了一种混合神经网络模型，结合预训练的句子 BERT（SBERT）和卷积神经网络（CNN），通过分析 Reddit 上的帖子来检测抑郁症患者，该模型实现了 0.86 的准确性和 0.86 的 F1 分数，且超过了文献中其他机器学习模型的已有成果（F1 分数为 0.79）。该模型的结果表明了其在检测抑郁症患者方面的可行性，同时也可应用于其他文本分类任务以及不同的临床应用。

Feb, 2023

本文提出了一种基于预训练模型，使用图像和文本嵌入的弹性时间丰富多模态变压器模型，用于从社交媒体消息中检测抑郁症，结果表明该方法超越了其他方法，达到了 0.931 F1 值，是目前最先进的方法。

Jan, 2023

本研究旨在通过深度学习方法，结合 RoBERTa 和 DeBERTa 模型，并利用 DepSign-LT-EDI 任务对社交媒体文本进行分类，进一步加强对精神健康对话的理解，最终取得了优越的性能表现，同时提供了相关代码以促进透明度和进一步发展。

Nov, 2023

通过分析社交媒体上用户的历史帖子，我们提出了一种名为 DORIS 的新型抑郁症检测系统，结合医学知识和大型语言模型的最新进展，在早期检测和干预上具有重要作用，并且该系统通过结合传统分类器和大型语言模型，融合医学知识引导的特征，实现了高准确性和可解释性的预测结果。

Mar, 2024

通过使用基于不同单词嵌入的卷积神经网络和基于用户级语言元数据的分类，本文着眼于利用社交平台上的信息对抑郁症进行早期检测，同时提出了一种略微修改的 ERDE 得分用于衡量早期检测系统，并评估了用于相同领域的大型语料库的新单词嵌入

Apr, 2018

研究表明，利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章，实现抑郁症自动诊断，并能有效地提高分类器的性能。

May, 2023

利用机器学习和自然语言处理方法，在社交媒体上提出了一种自动检测抑郁症的方法。该方法采用文本表示的多种类型来检测抑郁症，并通过情感信息进行上下文化描述。该研究分析了分类模型的能量消耗，并建立了分类精度和计算成本之间的权衡。实验表明，提出的上下文化策略可以提高分类精度，并且使用 Transformers 的方法可以将总体 F 分数提高 2％，但能源成本增加一百倍。最后，该工作为未来的节能系统铺平了道路，同时考虑了性能和能源消耗。

Jun, 2023

本文研究使用 DSD 模型和社交媒体帖子来检测用户级别的临床抑郁，通过提取临床相关特征和用户发布活动的时间模式，最终提高了临床抑郁的检测准确性。

Oct, 2022

使用半监督学习技术提出了一种检测抑郁症严重程度的系统，通过预测帖子是否来自经历严重、中度或低（非诊断性）抑郁水平的用户，使用 Reddit 上的大量未标记社交媒体帖子进行训练模型的分类。在 LT-EDI@RANLP 2023 共享任务中，我们的框架排名第三。

Sep, 2023

本文提出一种新颖的计算框架来自动检测 Twitter 用户的抑郁症，其中通过抽取概括和提炼相关内容来解决现有模型的局限性，并使用卷积神经网络和门控循环单元模型进行更好的诊断结果。

May, 2021