研究表明，社交媒体成为自杀意念研究和自杀风险评估的有价值的资源。在众多社交媒体平台中，匿名性和基于主题的社群（子版块）使得 Reddit 成为最有希望的研究平台，而弱监督方法中使用志愿标记数据的小样本是现有方法面临的挑战。我们提出了一个用多个类别的弱监督方法的实证调查，并证明基于心理健康相关问题（例如，焦虑，抑郁症）的伪标签可以帮助提高自杀风险评估模型的性能。

Jun, 2021

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

使用半监督学习技术提出了一种检测抑郁症严重程度的系统，通过预测帖子是否来自经历严重、中度或低（非诊断性）抑郁水平的用户，使用 Reddit 上的大量未标记社交媒体帖子进行训练模型的分类。在 LT-EDI@RANLP 2023 共享任务中，我们的框架排名第三。

Sep, 2023

通过分析社交媒体平台上人们的发帖和讨论，借助自然语言处理技术，本研究提出一种新颖的语义特征预处理技术，通过弱分类器减少特征稀疏性，采用模量循环实现自适应特征维度，深度挖掘和扩展上下文中的特征，训练一个机器学习模型来预测和分类精神障碍，通过 Reddit 精神健康数据集 2022 对焦虑、边缘型人格障碍和双相情感障碍等病症进行研究，解决了数据稀疏性挑战，显著提高了性能，为心理健康预测与监测提供创新解决方案。

Nov, 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

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

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

提出深度学习架构并测试其他 3 种机器学习模型，使用 CLPsych 2021 共享任务中提供的社交媒体帖子数据自动检测将在 30 天和 6 个月内尝试自杀的个体；此外，基于自杀的三阶段理论和先前有关情绪和代词使用的工作，创建和提取三组手工制作的自杀风险检测特征，实验结果表明，一些传统的机器学习方法在子任务 1（预测自杀尝试 30 天前）上的 F1 得分为 0.741，F2 得分为 0.833，超过基线；然而，所提出的深度学习方法在子任务 2（预测 6 个月前的自杀）上的 F1 得分为 0.737，F2 得分为 0.843，超过基线。

Apr, 2021

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

通过深度学习多任务学习框架对多种病情进行建模，包括性别预测作为附加任务，实现对自杀风险和心理健康状况的低误诊率预测，且该多任务学习模型在狭窄训练数据的心理健康任务上也获得了显著的提升。

Dec, 2017