ICMLDec, 2023

自杀行为的概念化：利用预测结果的解释分析纵向社交媒体数据

PDF
TL;DR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。
发现论文，激发创造
  • 建立和使用个人知识图谱以提高社交媒体上自杀意向检测的精准性

    利用深度神经网络构建高级自杀意向知识图谱，并设计两层注意力机制，通过分析社交媒体上的帖子和个别特征因素，识别出自杀意向风险因素，达到 93% 以上的准确率。

    Dec, 2020

  • 社交媒体上的自杀意念检测：机器学习方法综述

    本文收集了 24 项关于使用机器学习算法在社交媒体上检测自杀意图的研究，旨在为进一步研究提供帮助，并为从事自杀文本分类的研究人员提供有益资源。

    Jan, 2022

  • 基于社交媒体实时流数据的预测自杀意念的大数据分析系统

    通过使用大数据架构，本研究提出了一种基于在线社交媒体平台的实用分析方法，用于预测自杀意念。实验结果显示，采用 (Unigram + Bigram) + CV-IDF 特征提取方法和 MLP 分类器对自杀意念进行分类的性能较高，准确率为 93.47%。

    Mar, 2024

  • 使用深度学习进行自杀意念检测的定量和定性分析

    本文研究了如何使用深度学习算法来检测社交媒体上的自杀意念，并评估了不同数据集和深度学习模型的性能。研究证实，使用深度学习对社交媒体上的自杀意念检测效果较好，但其表现高度依赖于数据集的质量。

    Jun, 2022

  • 从社交媒体帖子中预测自杀行为的学习模型

    提出深度学习架构并测试其他 3 种机器学习模型，使用 CLPsych 2021 共享任务中提供的社交媒体帖子数据自动检测将在 30 天和 6 个月内尝试自杀的个体；此外，基于自杀的三阶段理论和先前有关情绪和代词使用的工作，创建和提取三组手工制作的自杀风险检测特征，实验结果表明，一些传统的机器学习方法在子任务 1（预测自杀尝试 30 天前）上的 F1 得分为 0.741，F2 得分为 0.833，超过基线；然而，所提出的深度学习方法在子任务 2（预测 6 个月前的自杀）上的 F1 得分为 0.737，F2 得分为 0.843，超过基线。

    Apr, 2021

  • 社交媒体图片预测自杀风险的可解释人工智能策略

    本研究使用人工智能技术结合自底向上和理论驱动的策略构建了一个混合和可解释的预测模型，从社交媒体图像中预测自杀风险，并发现使用预定义的视觉元素（如明亮的照片、忧伤人物的照片等）可以提高预测性能，这为开发实时监测自杀的工具提供了简单和灵活的预测策略。

    Feb, 2023

  • 使用心理词典检测中国微博中的自杀意念

    利用机器学习和心理学技术，我们在微博上部署了实时自杀意念检测系统，使用心理语言学字典识别微博用户的自杀意图，并训练了一个有效的自杀微博帖子检测模型，该模型结合机器学习和心理学知识，使用 SVM 分类器，具有最佳性能，F 值为 68.3％，精度为 78.9％，召回率为 60.3％。

    Nov, 2014

  • 社交媒体帖子中可解释人际风险因素的注释数据集

    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

  • 在线社交网络中个体的自杀意图

    社交网络中社交孤立、社区中的自杀邻居数量、群体中存在的自杀次数等不同特征对于自杀念头和抑郁症状的影响的研究。

    Jul, 2012

  • 谨慎自杀：一种基于深度学习的方法用于实时聊天机器人对话中检测自杀意念

    通过提出一种简单的基于深度学习的模型，这篇论文主要关注以聊天机器人为主要数据源，来检测数字内容中的自杀倾向，并提供了一个将该自杀检测与聊天机器人支持系统相结合的框架。

    Jan, 2024