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

研究表明，利用预训练语言模型和 Transformer 组合可以有效自动处理社交媒体上表达情感的文章，实现抑郁症自动诊断，并能有效地提高分类器的性能。

May, 2023

利用社交网络和人工智能的知识图谱技术，提升社交媒体帖子的分类，以实现早期诊断心理障碍，并帮助医疗专家发现相关模式，从而改善个性化医疗的准确性。

Feb, 2024

本研究参与了 SMM4H 2024 研讨会的第 3 和第 5 任务，以解决推文数据中的分类挑战。通过使用预训练的编码器 - 解码器模型，如 BART-base 和 T5-small，利用迁移学习识别了给定推文的标签，并采用数据增强方法提高了模型性能。最终，在第 3 任务中获得了 0.627 的最佳 F1 分数，在第 5 任务中获得了 0.841 的最佳 F1 分数。

Apr, 2024

本文探索使用社交媒体数据预测多种心理健康状况的自动化检测方法，根据诸如句法复杂性、词汇复杂性和多样性、情感等语言特征，基于混合和集成模型的比较后发现多分类模型在自动化心理健康检测研究中更加准确有效。

Dec, 2022

使用在大规模的 Twitter 语料库上预训练并在我们任务上进行微调的基于注意力机制的 BERT 架构，有效地进行对社交媒体对话中的个人攻击和逻辑偏离行为的预测，此模型相较于我们作为基准所使用的 LSTM 模型表现出明显的优势。此外，通过综合过采样技术，可在相对较小的新颖数据集上进行微调，并减轻过度拟合问题。通过引入基于 Transformer 的模型，使该研究为预测 Twitter 上对话事件的实用工具奠定基础，以鼓励更好地互动在最普遍的社交媒体平台之一。

Nov, 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

使用推特数据库中的推文，通过词典标注预测了五种抑郁症（双向传输编码器表示）BERT 模型用于特征提取和训练机器学习和深度学习方法用于训练该模型。BERT 模型表现出最有希望的结果，达到了 0.96 的总体准确性。

Apr, 2024

使用 BERT 和 MentalBERT 模型，将额外的语言信息注入到社交媒体上进行的压力和抑郁症检测中，通过 Multimodal Adaptation Gate 此方法在三个公开数据集上的表现有所提高。标签平滑化可以提高模型性能和调整模型。在压力和抑郁症文章中观察到了语言差异。

May, 2023

本研究提出一种新方法，利用 BERT 神经网络模型进行癌症的准确分类，并在小型的癌症生物医学文本语料库上进行微调，实验结果表明，我们的方法达到了 94.45% 的准确率，超过了先前的发现，为癌症研究和病患治疗的进展提供了重要贡献。

May, 2023