本文介绍了我们通过深度学习和使用BERT模型的方法，在EmotionX-2019 和 SocialNLP 2019的共享任务中，对来自电视节目Friends和Facebook聊天记录EmotionPush的每个话语的情感进行了识别，并通过微平均F1分数对模型性能进行了评估，得到了同类中的第三名。

Jul, 2019

本文介绍了一个预测性集成模型，利用 RoBERTa 和 ALBERT 软件对 CL-Aff 数据集中 Reddit 评论进行了分析，并展示了比基础模型更好的性能，并揭示出更深刻的数据集特征。

Jun, 2020

使用深度学习模型和集成模型对社交媒体上的越南文本进行分类，实现了比之前研究更好的性能。

Sep, 2020

本文进行了一项针对语言模型BERT的情感分析任务的实验性研究，重点分析了如何更好地处理BERT输出层的不同嵌入以及使用与多语言模型相比更适合巴西葡萄牙语的语言模型的聚合策略和技术，并发现BERT在大多数情况下与TF-IDF相比取得了更高的预测性能，但TF-IDF在预测性能和计算成本之间达到了良好的平衡。

Jan, 2022

本文提出了一种方法，通过将中性情绪加入到包含恐惧、悲伤、喜悦和愤怒四种情绪的基准数据集中，构建了一个平衡的数据集。在这个扩展数据集上，我们研究了支持向量机（SVM）和双向编码器表示转换器（BERT）在情感识别中的应用，并提出了一种将两种模型结合的新型集成模型。实验结果表明，该模型在推特情感识别中实现了0.91的准确率。

Aug, 2022

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

本研究提出了 UATTA-EB 方法，利用深度学习模型分析 Reddit 用户在网络平台上的非结构化数据，精准识别和分类六种心理疾病（抑郁症、焦虑症、双相障碍、注意力缺陷多动障碍（ADHD）、创伤后应激障碍（PTSD）和无疾病），解决了模型可靠性和过度自信的问题，为精准诊断心理疾病提供了新的方法。

Apr, 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

本研究解决了缺乏有效方法量化学生课外活动效果的难题，提出了一种利用机器学习和自然语言处理的工作流程，通过情感分析评估学生组织活动的有效性。研究结果表明，使用BERT大型语言模型能够有效分析学生的情感反应，从而为教育机构的决策提供数据驱动的实用示例，展现了机器学习在教育领域的潜在影响。

Aug, 2024

本研究解决了短文本数据在在线交流中的分类问题，特别关注于葡萄牙学校的在线讨论。通过使用BERT模型和最先进的机器学习方法，研究发现模型在分类在线消息中取得了超过0.95的平均准确率，这可以帮助社会科学家更好地理解人类沟通与行为。

Sep, 2024