本文提出了一种基于生成式 NLP 模型的简单而有效的数据增强方法，称为 prompt-based，应用于 Wellness Dimensions 的分类预筛选任务，该方法不仅优于 Easy-Data Augmentation 和 Backtranslation 等基线方法，而且在 F 分数和 Matthew 的相关系数方面均实现了明显的改进。

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

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

语言模型在精神健康应用中的可信度、解释性和一致性的研究表明，现有研究中这些模型的注意力质量及其对真实解释的影响尚未被探究，而本研究提出了一个评估设计，聚焦于在鉴别健康维度方面的 LMs 和 LLMs 在多标签分类和解释性方面的鲁棒性和可解释性，并发现了一些令人惊讶的结果，强调进一步研究这些模型在精神健康领域的一致性和解释性的必要性。

Jun, 2024

为了帮助心理医生快速处理心理健康在线帖子，我们介绍了 MentSum 数据集，包含超过 24k 来自 43 个心理健康 subreddit 的用户帖子和 TLDR 小结，并进一步评估了抽取和抽象式自动摘要方法。

Jun, 2022

通过自然语言处理和机器学习分类器，本研究以 Reddit 学术社群为对象，检测和分析与压力相关的帖子，发现 Bag of Words 与 Logistic Regression 分类器结合在压力检测上效果最佳，准确率达到 77.78%，F1 得分为 0.79。研究结果表明，与本科生、研究生和博士生等学术层次相比，教授在 Reddit 社群中的帖子和评论是最具压力的。本研究对于了解学术社群压力水平具有重要意义，可以帮助学术机构和在线社群有效地解决这一问题。

Dec, 2023

通过 Reddit 上用户的情感状态及其转换，提出了一种采用被动式（即自动不受触发）诊断的模型，可以帮助提醒有精神疾病的患者尽快寻求治疗，相比文本内容模型更好地泛化在不同主题和时间的情境中。

Jan, 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

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