Jan, 2024

利用大型语言模型进行自杀意念检测的社交感知合成数据生成

PDF
TL;DR使用生成式人工智能模型，如 ChatGPT、Flan-T5 和 Llama，通过利用社会因素从心理学文献中提取的数据，创造了可用于自杀倾向检测的合成数据，结果表明这种方法在克服数据匮乏和数据表征多样性等领域主要挑战方面具有潜力。
suicidal ideation detectiongenerative ai modelssynthetic datanlp classification modelsdata scarcity
发现论文，激发创造
  • 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

  • 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

  • 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

  • 评估监督学习与大型语言模型对识别中国社交媒体中的认知扭曲和自杀风险的功效

    本研究旨在在中国社交媒体平台上评估大型语言模型对自杀风险和认知失真的识别能力，发现大型语言模型相较传统的监督学习方法存在较大的性能差距，尤其在微小类别的理解上，GPT-4 在多种情况下表现优异，而 GPT-3.5 经过微调后在自杀风险分类中显示出显著提升，表明大型语言模型在心理学领域具有前瞻性和变革性的应用潜力。

    Sep, 2023

  • 整合有监督的抽取式和生成式语言模型进行自杀风险证据摘要

    我们使用监督的抽取和生成式语言模型集成的方法来提供 2024 年 CLPsych 共享任务中对自杀风险的支持证据。我们的方法包括三个步骤：首先，构建一个基于 BERT 的模型来估计句子级的自杀风险和负面情绪；接下来，通过强调自杀风险和负面情绪的高概率，精确识别出高自杀风险的句子；最后，我们使用 MentaLLaMa 框架的生成式摘要和从高自杀风险句子和专门的自杀风险词典中的抽取式摘要进行集成。我们的团队 SophiaADS 在突出摘要方面获得第一名，并在摘要生成方面在基于回收率和一致性度量标准的排名中排名第 10。

    Mar, 2024

  • 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

  • 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

  • 自杀意念检测：机器学习方法和应用综述

    本文综合介绍和讨论了自杀意向检测的临床方法和基于机器学习的自动检测方法，以问卷、电子健康记录、自杀笔记和在线用户内容为数据源，引入和总结了几个具体的任务和数据集，总结了现有工作的局限性，并展望了未来的研究方向。

    Oct, 2019

  • 使用机器学习和深度学习技术检测阿拉伯推文中的自杀倾向

    社交媒体对传统沟通技术进行了革命性改变，通过使人们能够即时、公开和频繁地进行全球连接。人们使用社交媒体分享个人故事和表达他们的意见。负面情绪，例如对死亡、自残和困难的思考在社交媒体上普遍存在，尤其是在年轻一代中。因此，利用社交媒体来检测自杀思维将有助于提供适当的干预，从而最终阻止他人自残和自杀，并阻止自杀观念在社交媒体上的传播。为了自动检测阿拉伯推文中的自杀思维，我们开发了一个新颖的阿拉伯自杀推文数据集，检查了几种机器学习模型，包括朴素贝叶斯，支持向量机，最近邻居，随机森林和 XGBoost，使用单词频率和单词嵌入特征训练，并研究了面向阿拉伯推文的预训练深度学习模型 AraBert，AraELECTRA 和 AraGPT2 的能力来识别阿拉伯推文中的自杀思维。结果表明，SVM 和 RF 模型在机器学习模型中效果最好，使用字符 n-gram 特征进行训练，准确率达到 86％，F1 分数为 79％。深度学习模型的结果显示，AraBert 模型优于其他机器学习和深度学习模型，在阿拉伯推文数据集中实现了 91％的准确率和 88％的 F1 分数，显着提高了阿拉伯推文中自杀观念的检测能力。据我们所知，这是首个从 Twitter 上开发阿拉伯自杀检测数据集并使用深度学习方法检测阿拉伯帖子中自杀意识的研究。

    Sep, 2023

  • 走向算法的忠诚度：合成数据与人工生成数据中的心理健康代表性跨人口统计学

    使用 GPT-3 进行合成数据生成，分析不同人口统计学特征在其中的代表性应用与压力因素，为未来研究者提供对使用 LLMs 进行数据生成的启示。通过控制种族、性别和时间范围，我们开发了一个关于诱发抑郁压力因素的 3,120 个帖子的合成数据集 HEADROOM，并使用该数据集进行语义和词汇分析，以确定各人口统计学群体的主要压力因素，并与人工生成的数据集进行比较。研究结果表明，对于不同人口统计学群体，合成数据模拟了一些人工生成的抑郁主要压力因素的分布。

    Mar, 2024