使用名为 COVID-19 抑郁焦虑预测器（CoDAP）的多层感知器（MLP），跟踪了一组美国成年人在 COVID-19 大流行初期（2020 年 4 月至 6 月）十周内的心理健康症状，从而预测了疫情期间焦虑和抑郁模式，并揭示了人口统计因素、行为变化和社会决定性心理健康之间的关系。这些发现有助于更深入地理解全球卫生危机时期心理健康问题的复杂性，并潜在地指导未来的早期干预。

Mar, 2024

利用机器学习技术识别与 COVID-19 后心理健康障碍相关的风险因素，结果显示年龄、性别、居住地区、合并症和 COVID-19 病情严重程度是影响 COVID-19 后患者心理健康障碍发生的重要因素，并且心理社会因素如社会支持、应对策略和感知压力也起到了重要作用。这些发现强调了多个因素在 COVID-19 康复后心理健康障碍发展中的复杂相互作用，医疗服务提供者和决策者在制定有针对性的干预和支持系统时应考虑这些风险因素。机器学习方法在预测和预防 COVID-19 后不良心理健康结果方面提供了有价值的工具。需要进一步的研究和前瞻性研究来验证这些发现，并增进对 COVID-19 大流行长期心理影响的理解。本研究为 COVID-19 大流行的心理健康后果方面的知识积累做出了贡献，强调了以多学科为基础的方法来满足康复个体多样化需求的重要性。

Sep, 2023

通过社交媒体分析，该研究调查了 COVID-19 感染与抑郁症之间的关系，提出了一种考虑情绪特征、基于深度神经网络的早期预测模型，实验结果表明该模型能够有效检测抑郁症风险，可帮助公共卫生组织对高风险患者进行及时干预。

Feb, 2023

该研究应用自然语言处理技术对社交媒体数据进行分析，以确定 COVID-19 大流行期间的心理社会压力源，并分析各阶段压力源的流行趋势。结果可用于提供洞察力，以便为个人提供高质量的心理健康支持。

Jan, 2022

通过对 Reddit 帖子进行分析，本研究发现 COVID-19 对大众的精神健康状况造成了不成比例的影响。在自动标注 COVID-19 支持帖子中的焦虑问题后，我们发现 Reddit 用户在疫情早期对健康风险的担忧非常高，随着时间的推移减少，但对心理健康和未来的担忧却不断上升。

Sep, 2022

本篇论文通过应用 NLP 技术对 COVID-19 期间发布的推特进行分析，建立 EmoCT 数据集，训练情感分类器，并探讨了导致悲伤和恐惧情绪的原因。

Apr, 2020

本研究对新冠疫情期间 LGBTQ 社群面对的压力进行了分析，并通过机器学习模型和语言分析研究了 LGBTQ 社群在疫情期间的语言表达和情绪变化。结果表明 LGBTQ 社群中存在更多的消极情绪和负面的心态。

May, 2022

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

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

通过使用青少年调查数据来预测抑郁风险，本研究提出了一种处理不平衡医学数据的方法和适应性预测方法，并提出了基于云的在线学习和数据更新的架构解决方案。

Jan, 2024