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

社交 NLP 研究社区近期在心理健康分析的计算进展中见证了构建负责任的 AI 模型，以应对语言使用和自我认知之间的复杂相互作用。我们通过注释 LoST 数据集捕捉到 Reddit 用户帖子中表明低自尊的微妙文本线索，并发现 NLP 模型在确定低自尊时更关注三种类型的文本线索：触发词、LoST 指标和后果词。我们的研究结果表明，在 Reddit 帖子中确定低自尊时，需要将 PLMs 的重点从触发词和后果词转移到更全面的解释上，强调 LoST 指标。

Jan, 2024

本研究构建并发布一个新的标注数据集，针对社交媒体上影响精神健康的人际风险因素进行分类和解释，以自然语言处理为切入点，建立模型并探讨以此为基础的 AI 个性化模型的未来研究方向。

May, 2023

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

通过使用 Reddit 帖子，构建了 FIG-Loneliness 数据集，并使用经过培训的人类标注者提供了关于帖子的二元和细粒度孤独分类的注释。使用 FIG-Loneliness 和 BERT-based 模型，我们发现，年轻人所表达的孤独感在一些方面与其他论坛中的表达有所不同，他们更倾向于表达与同龄人关系相关的问题，并因 COVID-19 疫情的影响而更容易受到地理孤立的影响。此外，我们证明了不同形式的孤独在应对策略上的使用有所不同。

Jan, 2022

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

当前精神健康危机中，从社交媒体内容中识别潜在的心理问题指标的重要性迅速增加。我们通过将 Reddit 内容中的健康维度的识别视为对健康概念提取和分类的挑战，引入了一种复杂的心理健康分析方法。我们构建了一个名为 WELLXPLAIN 的独特数据集，包括 3,092 个条目和总计 72,813 个词。该数据集还包括人工标注的文本片段，对健康概念分类过程中的决策提供了清晰的理由。我们发布这一数据集并分析初始基准的目的是引领面向医疗保健领域概念提取和分类的先进语言模型的创建。

Aug, 2023

通过分析社交媒体平台上人们的发帖和讨论，借助自然语言处理技术，本研究提出一种新颖的语义特征预处理技术，通过弱分类器减少特征稀疏性，采用模量循环实现自适应特征维度，深度挖掘和扩展上下文中的特征，训练一个机器学习模型来预测和分类精神障碍，通过 Reddit 精神健康数据集 2022 对焦虑、边缘型人格障碍和双相情感障碍等病症进行研究，解决了数据稀疏性挑战，显著提高了性能，为心理健康预测与监测提供创新解决方案。

Nov, 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

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