本研究使用 transformer 模型对 CAMS 数据集进行预训练的迁移学习，改善了现有分类器的效率，准确性取得了提升，证明了在社交媒体上对于心理健康分析中的因果关系的识别是必要的。

Jan, 2023

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

基于社交媒体帖子的精神障碍预测在当前语言模型的限制下面临挑战，本研究提出了一个创新框架，通过将社交媒体帖子的大量时间顺序压缩为一系列数字，实现了精神障碍的分类，并在三种精神病症（抑郁症、自残和厌食症）中相比当前最优方法在 F1 得分上提升了 5％，同时强调了文本数据的时间属性的重要性，探索了跨领域研究的可能性。

Jun, 2024

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

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

本研究使用来自 Reddit 的文本，提出了一种标记方法对文本进行分类，并对 Longformer 模型进行微调。研究发现，在自制数据集上，Longformer 模型在英语（48%）和卢干达语（45%）中均表现优于基准模型，对抑郁症的早期诊断具有较好的效果。

Jan, 2024

开发了第一个用于社交媒体上的可解释性心理健康分析的开源语言模型系列 MentalLLaMA，并通过 IMHI 数据集在正确性和解释质量方面接近最先进的判别方法。

Sep, 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

本研究使用基于 Transformer 架构的 RoBERTa 模型，对社交媒体上的用户数据进行分析，以检测和分类抑郁症、焦虑症、双相情感障碍、注意力缺陷多动障碍和创伤后应激障碍等五种主要的心理疾病，从而促进公共健康系统的自动化诊断和分类流程。

Nov, 2020