通过使用 N-shot 学习方法和 GPT-3 模型进行细化调整，本论文介绍了一种可解释的提示方法来增强 GPT-3 模型的注意机制，提供更高级别的语言修改，从而检测出个人叙述中表示两个人际风险因素的文本线索，取得更好的系统级可解释性和可信度。研究结果表明，在使用 InterPrompt 调整后，四个 GPT-3 模型的变种在分类和解释生成方面相较于基准方法都有显著的提升。

Nov, 2023

本文介绍了我们参加 IberLEF 2023 中的 MentalRiskES 任务，使用传统机器学习和深度学习技术预测了个体社交媒体活动导致抑郁的可能性，其中使用 BRET-based 模型微调和使用线性回归器作为输入的句子嵌入的两种建模方法，结果表明后者获得了更好的结果。

Jun, 2023

通过分析社交媒体数据以及借助人工智能技术，本研究提出了一种用于初步筛选带有自杀意向的社交媒体帖子的方法，以预防自杀行为，并为自杀预防机构、专业人员和社区广泛认知项目提供宝贵的见解。

Dec, 2023

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

本研究引入一项心理学基础和专家注释的数据集，旨在研究和检测 Reddit 上的低自尊心，并通过标注方法确保监督学习的金标准；本研究的结果表明，可以开发一类注入心理和临床知识的语言模型。

Jun, 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

研究了使用社交媒体的语言特征来检测心理健康问题，并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。

Jun, 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

本文旨在通过多种语言学、心理学及在线行为等多个方面，更好地了解患有心理障碍的社交媒体用户的特征和差异。研究结果表明，这些用户与正常用户相比，在词汇唯一性、情感表达和月度发布方差等方面存在明显差异。

Feb, 2022

研究探讨了如何利用自然语言处理从社交媒体的信息中推断潜在的心理状态，发现社交媒体用户在讲述日常经历时传达了他们的孤独或孤立的生活方式，对其心理健康产生影响。研究者们将社交媒体帖子中的孤独感检测作为一个可解释的二分类问题，发现了高风险用户，并建议早期采取应对孤独的措施。同时，提出了一个可读性强的数据集 LonXplain，其中包含了 1, 3, 521 Reddit 帖子的人工注释，旨在进一步研究和发展孤独感引起的心理障碍检测技术。

May, 2023