此研究评估了使用机器学习和自然语言处理技术来检测抑郁症的方法，针对数据清理、模型选择等方面进行了案例研究，并在具体实验中使用 Distress Analysis Interview Corpus - Wizard-of-Oz（DAIC-WOZ）数据集构建出准确率约为 84% 的模型，明显高于现有文献中通过 SVM 模型得到的 72% 的准确率。

Apr, 2024

该研究使用神经网络和机器学习模型对学生的抑郁症进行分类，并指出不同种族亚组的相关因素的差异，强调了更多广泛和多样化数据集的需求。

Aug, 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

通过分析社交媒体行为，本研究借助情感人工智能等先进技术，设计了一种自动检测社交媒体用户抑郁状况的分类器，最高准确率可达 81.79%。

Jan, 2023

该研究使用贝叶斯网络的方法来预测抑郁症及其症状，包括从言语、面部表情和认知游戏数据中提取的特征，并生成可解释的模型预测，确定预测的不确定性，并自然地处理缺失数据。

Nov, 2022

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

本文提出了一种基于文本单元、词类标记、可读性度量以及第一、第二或第三人称和单词数的方法来检测社交媒体文本中的抑郁迹象。我们的最佳模型获得了 0.439 的宏 F1 分数，排名 31 个团队中的第 25 名。我们进一步利用逻辑回归模型的可解释性，并尝试解释模型系数，以期对该主题的进一步研究有所帮助。

Apr, 2022

通过应用深度多任务循环神经网络学习时间相关的抑郁线索，本文探讨了使用机器学习预测未来抑郁症的可能性，利用住房状况和家庭环境的细节，提供了预测未来精神障碍的线索，并使用对比一类特征排名和偏差排名两个辅助任务显着提高了预测模型的样本效率，从而减少了对大型抑郁症标记数据集的依赖。对大型儿童抑郁症数据的大量实证结果表明，我们的模型是样本高效的，能够在疾病发生前 2-4 年准确预测抑郁症，远远优于 8 个典型的比较模型。

Dec, 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