通过使用基于不同单词嵌入的卷积神经网络和基于用户级语言元数据的分类，本文着眼于利用社交平台上的信息对抑郁症进行早期检测，同时提出了一种略微修改的 ERDE 得分用于衡量早期检测系统，并评估了用于相同领域的大型语料库的新单词嵌入

Apr, 2018

本研究旨在设计和评估一种决策支持系统（DSS），通过模拟在临床实践中常用的患者健康问卷-9（PHQ-9）来捕获用户推文中表达的细粒度抑郁症状，从而可靠地确定抑郁症状的分级。研究结果表明，建模比喻用法可以显著提高模型的鲁棒性和可靠性，以区分抑郁症状。

Nov, 2020

本文提出一种新颖的计算框架来自动检测 Twitter 用户的抑郁症，其中通过抽取概括和提炼相关内容来解决现有模型的局限性，并使用卷积神经网络和门控循环单元模型进行更好的诊断结果。

May, 2021

本研究提出了第一个用于检测泰语抑郁症的公开语料库，并通过两种不同的LSTM模型和两种不同的BERT模型进行实验。我们使用泰语BERT模型在检测抑郁症方面取得了77.53％的准确性，并针对该语料库将此结果作为基准线记录在案，发现需要比维基百科更多样化语料库训练的泰语嵌入。我们已在Zenodo上公开发布了语料库、代码和训练模型。

Nov, 2021

这篇论文介绍了一种名为DECK的测试方法，可以提高BERT分类器在抑郁领域的解释性和泛化能力，通过DECK测试提出的训练数据和一些特定抑郁症状的信息，可以显著提升BERT、RoBERTa和ALBERT三个模型的泛化能力高达53.93%的不在分布平台下的 F1 得分提高。

Sep, 2022

该研究使用临床抑郁症诊断和病史调查评估相关指标，构建用于检测抑郁症严重程度的社交媒体文本的分类，提出了基于专家注释数据的新数据集并利用注意力模型（例如BERT和DistilBERT）取得了良好的效果，揭示了研究的局限性和进一步研究的方向。

Oct, 2022

本文提出了一个有效的语义管道，基于社交媒体的写作，研究个体的抑郁症严重程度。通过计算方法，利用用户生成的社交媒体内容，本文探讨了不同聚合方法以准确预测用户症状严重程度，并在Reddit的两个基准测试中取得了30％的提高。

Nov, 2022

利用机器学习和自然语言处理方法，在社交媒体上提出了一种自动检测抑郁症的方法。该方法采用文本表示的多种类型来检测抑郁症，并通过情感信息进行上下文化描述。该研究分析了分类模型的能量消耗，并建立了分类精度和计算成本之间的权衡。实验表明，提出的上下文化策略可以提高分类精度，并且使用Transformers的方法可以将总体F分数提高2％，但能源成本增加一百倍。最后，该工作为未来的节能系统铺平了道路，同时考虑了性能和能源消耗。

Jun, 2023

通过挖掘互联网用户发布的在线出版物中的抑郁症迹象，计算机方法可以进行抑郁症检测，但是现有集合上训练的解决方案具有较有限的概括性和可解释性。为解决这些问题，最近的研究表明，通过识别抑郁症状可以得到更稳健的模型。eRisk倡议在这一领域推动研究，并最近提出了一个新的排名任务，重点是开发搜索方法来找到与抑郁症状相关的句子。这个搜索挑战依赖于贝克抑郁症量表（BDI-II）指定的症状，该量表被广泛应用于临床实践。根据参与系统的结果，我们推出了DepreSym数据集，该数据集包含21580个句子，根据其与21个BDI-II症状的相关性进行了注释。这些标记的句子来自各种排名方法的池，最终数据集是推进模型开发的宝贵资源，其中包括临床症状等抑郁标记。由于相关性注释的复杂性质，我们设计了一个由三名专家评估员（包括一位专业心理学家）进行的强大评估方法。此外，我们在这里探讨了使用最近的大型语言模型（ChatGPT和GPT4）作为潜在评估员的可行性，对其性能进行了全面的考察，确定了它们的主要局限性，并分析了它们作为人类标注者的补充或替代角色。

Aug, 2023

通过分析社交媒体上用户的历史帖子，我们提出了一种名为DORIS的新型抑郁症检测系统，结合医学知识和大型语言模型的最新进展，在早期检测和干预上具有重要作用，并且该系统通过结合传统分类器和大型语言模型，融合医学知识引导的特征，实现了高准确性和可解释性的预测结果。

Mar, 2024