探索情绪对于参与型心理健康对话的理解
本文介绍了一种基于计算方法的框架来理解在线心理健康平台上的情感表达,通过收集和共享大量语料来训练 RoBERTa-based bi-encoder 模型,成功识别出含有改善情感的会话,揭示用户无法通过自我学习获得改善情感能力,为情感培训和反馈提供机会。
Sep, 2020
介绍了一种基于情感识别技术的即时通讯系统 EmotionPush,并通过部署研究发现了多个挑战,包括情感的连续性、多用户会话、情感分类的错误、用户在消息中表达情感的非传统方式,为即时消息的情感计算和情感识别研究提供了新的思路。
Feb, 2017
通过对来自不同国家背景的 21 位个体进行访谈,我们调查了使用 LLM 聊天机器人进行心理健康支持的人们的亲身经历,并对用户如何为他们的聊天机器人创造独特的支持角色、填补日常护理的空白以及在寻求聊天机器人支持时如何应对相关的文化限制进行了分析。我们将分析基于心理治疗文献中有效支持的概念,并介绍了治疗性对齐的概念,即将人工智能与心理健康背景下的治疗价值对齐。我们的研究为设计师如何以道德且有效的方式应对 LLM 聊天机器人和其他人工智能心理健康支持工具在心理健康护理中的使用提供了建议。
Jan, 2024
本文通过设计一种 AI 辅助工作流程,根据用户的情感状态和文本关键词,使得在在线心理健康社区中进行情感支持成为可能,并提出了相应的设计建议。
Feb, 2022
该研究提出了 Hailey,一种 AI 辅助的方案,可以帮助在线人互相提供心理健康支持,结果表明,与 AI 协作可以在同辈间提高 19.60% 的情感共鸣,并使自我效能得到提升。
Mar, 2022
本研究利用经过修改的预训练 BERT 模型检测社交媒体和用户的网络浏览数据中的抑郁文本,实现了令人印象深刻的 93% 测试准确率。同时,该项目旨在结合可穿戴设备(如智能手表和脑电传感器)的生理信号,提供情绪障碍和情绪状态的长期跟踪和预后,这种综合方法有望提高抑郁症的早期检测并促进整体心理健康结果。
Jan, 2024
通过系统性研究,本文提出了一种利用人工智能评估与医疗有关文本情感的方法,重点关注自然语言处理和深度学习技术的整合。我们细致研究了许多利用人工智能增强情感分析、情绪分类和基于临床叙述、患者药物反馈和在线健康讨论的文本信息预测患者结果的研究。该综述表明算法在情感分类和神经退行性疾病的预测能力方面取得了显著进展,并创造了能够支持临床决策的以人工智能为动力的系统。人工智能应用的利用使个人化疗法计划的提高成为可能,整合了患者情感并有助于早期识别心理健康障碍。然而,AI 的应用面临着确保道德应用、保护患者机密和解决算法程序中潜在偏见等挑战。尽管如此,人工智能改变医疗实践的潜力是无可否认的,提供了一个使医疗变得更加知识化、高效化、富有同理心、以患者需求为中心的未来。本研究强调了人工智能对医疗的转变影响,提供了对人工智能在检查医疗文本情感内容和强调朝向更具同情心的患者护理方法的全面理解。研究结果倡导人工智能分析能力与医疗人文方面的和谐结合。
Mar, 2024
本篇论文提出利用基于 LSTM 的深度学习模型来检测文本对话中的情绪,讨论了利用语义和情感嵌入的半自动化技术来收集训练数据以及结合方案,该方法在真实场景下的表现优于传统机器学习基准线和其他现成的深度学习模型。
Jul, 2017
本文详细评估了 ChatGPT 在 11 个数据集上的心理健康分析和情感推理能力,分析了不同提示策略对其分析能力和可解释性的影响,并发现情感提示可以有效提高其性能,但需要正确的情感注入方式。
Apr, 2023