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

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

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

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

本研究提出通过将模型约束在医生在抑郁筛选过程中使用的 PHQ9 表中描述的症状中以不同程度地控制抑郁症检测的方法。在三个社交媒体数据集的数据集转移实验中，我们发现将模型限定于 PHQ9 的症状可以显著提高模型对于分布外数据的泛化能力，而在本领域数据上也可以具有竞争力。此外，这种方法还可以产生更易于检查的模型，从而提高了模型的泛化能力。

Apr, 2022

评估跨文化 Twitter 数据对建立跨文化 AI 模型的泛化性，结果显示抑郁症检测模型在全球化方面表现较差，特别是在全球南方用户中，预训练语言模型在泛化性方面表现最佳，但在抑郁和非西方用户的表现仍存在差距。我们对发现进行量化，并提供了一些建议来缓解此问题。

Apr, 2024

通过结合医学领域知识，我们设计了一种深度知识感知的网络框架（DKDD）以准确检测社交媒体用户是否患有抑郁症，并解释导致此类检测的关键因素。我们的实证研究表明，该方法优于现有最先进的方法，可以提供早期检测和解释关键因素，从而补充临床抑郁症筛查并评估人群的心理健康状况。

Mar, 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