通过开发深度学习模型以及使用中国社交媒体数据集，本研究提出了一种用于细粒度自杀风险分类的方法，为社交媒体平台上自动识别自杀倾向的个体并及时进行干预提供了有价值的见解。

Apr, 2024

对于自杀风险的早期检测非常重要，本研究通过青少年自发言语对自杀风险进行自动检测，并收集了汉语数据集，包括来自千名年龄在十到十八岁之间的青少年 15 小时的自杀言语进行实验。通过使用 Whisper 语音模型和大型文本语言模型 (LLM) 来检测自杀风险，采用了全参数微调和参数效率微调方法来适应预训练模型，评估了多种音频文本融合方法来结合 Whisper 和 LLM 的表示，所提出的系统在包括 119 名受试者的测试集上达到了 0.807 的检测准确度和 0.846 的 F1 分数，表明具有潜在的真实自杀风险检测应用前景。

Jun, 2024

通过结合预训练语言模型和手动构建的自杀线索集合，我们提出了一个模型来实现自杀风险的自动检测，从而在紧急支持在线服务中支持自杀预防。该模型在跨性别与不同年龄组等多个方面表现良好，并在会话早期就明显优于强基线模型。

Sep, 2022

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

为了解决在紧急医学中对存在自杀风险的患者延迟专科精神评估和护理的问题，我们提出了一种非侵入性的基于语音的自动自杀风险评估方法，结合录音数据和元数据集成，有效提高了自动自杀风险评估的准确性。

Apr, 2024

通过微博等社交媒体识别自杀高危人群，实现积极的干预系统，本研究针对新浪微博的 1041 个用户，采用中文版 Linguistic Inquiry and Word Count（LIWC）词库和 LDA 等 NLP 方法提取语言特征，基于这两种特征通过机器学习算法训练预测模型，以估算基于语言特征的自杀概率。实验结果表明，LDA 能够找到与自杀概率相关的主题并提高预测性能，此研究为预测社交网络用户自杀概率行为增加了价值。

Nov, 2014

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。

Jan, 2024

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

提出了一种通过增强语音感知能力来提升治疗聊天机器人对用户情绪理解和人性化回应的方法，该方法使用卷积神经网络（CNN）模型和 ShEMO 数据集的语音情感识别（SER）技术来准确检测和分类负面情绪，包括愤怒、恐惧和悲伤，并使用 SER 模型和 GloVe、LSTM 模型相结合的推荐系统生成个性化管理负面情绪的建议，同时将 GlowTTS 文本到语音模型整合到一起，使治疗聊天机器人能够用英语和波斯语将生成的建议以声音形式传达给用户，最终提高了英语和波斯语用户心理健康支持的交付效果。

Nov, 2023

当代社交媒体领域中，用户表达负面情绪的数量惊人，其中一部分表现为强烈的自杀意向。因此，需要训练有素的心理咨询师进行有效的心理干预。然而，这些专业人员的培养通常是一项重要但耗时的任务，因此，调动非专业人员或志愿者在这方面的能力成为一个紧迫的问题。这篇论文介绍了一种基于大型语言模型构建的新模型，完全协助非专业人员在在线用户对话中提供心理干预。该框架使得以有意义的方式利用非专业心理咨询师的能力成为可能。通过对十名专业心理咨询师的综合研究，评估了该系统在五个关键维度上的效果。研究结果证实我们的系统能够相对准确地分析患者的问题并提供专业水平的策略建议，从而增强非专业人员的支持。这项研究为大型语言模型在心理学领域的应用提供了有力的验证，并为基于社区的心理健康支持奠定了基础。

Aug, 2023