本文旨在创建一个多模式深度学习模型，通过视觉和文本数据的结合来决定给定社交媒体帖子是否推广进食障碍，并进行时间序列分析以探讨进食障碍的社交媒体存在。多模式 RoBERTa 和 MaxViT 融合模型的准确度和 F1 分数分别达到 95.9％和 0.959，该模型用于分类 Tumblr 和 Reddit 社交媒体上未标记的帖子，与以前的研究基本相似。进食障碍内容的相对丰度已经急剧下降，但自约 2018 年以来，进食障碍内容的丰富度或再次增加。

Jul, 2023

通过对与饮食失调相关的推文进行分类，本研究使用传统机器学习和深度学习模型，发现基于 Transformer 的双向编码器表现最佳，能高效地识别与饮食失调相关的推文，并获得最高 71.1%-86.4% 的 F1 分数。

Feb, 2024

通过深度学习模型检测社交媒体用户的心理状况，可以更好地理解疾病并提供早期发现的手段。基于分层注意力网络的二元分类任务预测用户是否患有九种不同疾病中的一种，在四种疾病中表现出比先前设定的基准更高的性能，并通过检查模型的单词级注意权重分析分类相关的短语的限制。

Mar, 2020

通过随机加权干扰和对比学习策略培训语言模型，并提出元预测器以区分社交媒体文本中的非健康和健康相关类别，实验证明该策略提高了语言模型的性能，元预测器在三个基准数据集上优于现有的健康提及分类预测器。

Oct, 2023

社交媒体与饮食失调之间存在复杂的联系，社交媒体平台通过放大宣传和推动饮食失调行为的内容和社区，进一步加剧了饮食失调的问题。本研究通过网络和语言分析，描述了利用大型语言模型分析在线社区中的言论，探索与饮食失调相关话题上的态度，以识别潜在有害内容的新框架，并强调需要更好的社交媒体管理来阻断有害反馈循环并保护弱势群体。

Jan, 2024

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

研究了使用社交媒体的语言特征来检测心理健康问题，并提出了一种能够有效利用领域知识、可被应用于其他心理障碍以及能够提供可解释检测结果的模型。

Jun, 2023

本文提出了一个基于图神经网络的解决方案，TweetGage，用于预测社交媒体上发布的帖子在用户参与度方面的影响，并通过一系列实验对其效果进行了验证。

May, 2023

使用社交媒体和预训练语言模型，探索如何利用用户生成的数据来预测心理障碍症状，并发现社交媒体数据是精神健康筛查的良好来源，预训练模型可以有效地自动化这一重要任务。

Jun, 2023

本研究介绍了一种基于 BERT 的命名实体识别（NER）模型，一个深度学习规范化模块以及一个半监督聚类模块构建的框架，用于从社交媒体中提取与 COVID-19 相关的症状词典，并对其进行标准化，以减少在基于社交媒体的公共卫生研究中的关键词匹配信息检索约束。

Jun, 2023