该论文介绍了一个由超过 4500 万条来自美国和加拿大的地理定位推特组成的 “TUSC” 的数据集，以及一个用于捕捉推特情感的度量标准 “TED”。研究使用 TED 和 TUSC 探索了 2019 年至 2021 年期间推特用户在情感表达方面的差异，以及 COVID-19 大流行对推特情感的影响。结果表明，加拿大推特比美国推特情感更积极，高峰期表现了更多的负面情绪。此外，本文在 170,000 个推特用户上进行度量，旨在为公共卫生、情感科学、社会科学和心理学等领域的研究提供有用的数据。

Apr, 2022

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

通过社交媒体中基于文本的情感细腻度计算方法来研究其在不同心理健康状况下的有效性，为更好地理解心理健康状况以及情绪对我们健康的作用铺平道路。

Mar, 2024

本研究使用词汇表和基于机器学习的方法来量化儿童诗歌中表现出的情绪动态特征，结果表明随着年龄的增长，某些情绪（例如愤怒、恐惧、快乐、悲伤、唤醒和支配）的强度持续增加，价值持续下降，并且情绪变异性、上升速率（即情绪反应性）和恢复速率（即情绪调节）与年龄增长而不断增加。这些结果为进一步研究儿童表达的情绪模式如何随着年龄变化以及它们与心理健康的关联提供了有用的基线。

Jun, 2023

本研究旨在通过对社交媒体数据进行大规模分析，使用 1.2 亿条推文来估计美国各个县的抑郁症和焦虑症情况，从而实现以更高的分辨率监测人口心理健康状况的可行性，在精确度方面要优于 ad-hoc 调查。

Feb, 2023

研究开发了一种新的情感标注的心理健康语料库 (EmoMent)，从 Sri Lanka 和印度提取了 2802 篇 Facebook 帖子 (14845 句子)，并使用 RoBERTa 模型对其进行自动分类分析，证明了情感分析的潜力。

Aug, 2022

本文提出了一种利用社交媒体内容自动补充传统调查方法得出近实时大规模粗略估计心理健康状况的方法，该方法利用用户 embedding，本研究证明了这些 embedding 可以捕捉到与精神疾病相关的行为特征，从而能够预测用户的心理健康状况。

Apr, 2017

为了支持文本媒体在心理健康领域的应用，特别是危机关怀方面，我们正在开发一种使用按键动态和情感分析相结合的 passsive 情感识别系统。我们的初步研究结果表明，分析短信和键盘输入模式可以提供情感信息，以支持用户和接触者。我们利用初步研究结果探讨了将人工智能应用于支持心理健康提供者提供更好关怀的前进方向。

Jun, 2024

通过一项与双相情感障碍的移动电话使用可能存在的关联探究，提出了 DeepMood 这一基于后期融合的端到端深度架构，可以通过对手机键入动态的会话级分析，来预测情绪分数，精度可达 90.31%，这表明使用移动电话元数据来推断情绪扰乱和严重程度的可行性。

Mar, 2018

通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

Jun, 2021