Detecting early signs of depression in the conversational domain: The role of transfer learning in low-resource scenarios
PRHLT research center, Universitat Politècnica de València（瓦伦西亚理工大学PRHLT研究中心）；Faculty of Mathematics and Computer Science, University of Bucharest（布加勒斯特大学数学与计算机科学学院）；CIIRC, Czech Technical University（捷克技术大学捷克信息学、机器人与控制论研究所）
抑郁症在社会中的高度流行引起了对新的数字化工具的需求，以帮助其早期发现。为此，现有的研究主要集中在检测社交媒体领域的抑郁症，其中有足够的数据量。然而，随着Siri或Alexa等会话代理的兴起，会话领域变得越来越重要。不幸的是，缺乏对话领域的数据。我们进行了一项研究，侧重于领域自适应从社会媒体到会话域。我们的方法主要利用文本的矢量表示中保留的语言信息。我们描述了迁移学习技术，以分类用户谁患有抑郁症的早期迹象与高回忆。我们在一个常用的会话数据集上实现了最先进的结果，并且我们强调了该方法如何轻松地用于会话代理。我们公开发布所有源代码。
2022-04-22 cs.CL cs.LG
Hybrid approach to detecting symptoms of depression in social media entries
Kozminski University（科兹明斯基大学）；University of Warsaw（华沙大学）
情绪和词汇分析被广泛用于检测抑郁症或焦虑症。据记载，与健康人相比，情绪障碍患者使用的语言存在显着差异。尽管如此，这些词汇方法的有效性还可以进一步提高，因为目前的分析重点是社交媒体条目是关于什么的，而不是它们是如何写的。在这项研究中，我们专注于这些短文本彼此相似的方面，以及它们是如何创建的。我们提出了一种创新的方法，抑郁症筛选问题，通过应用Collgram分析，这是一个已知的有效方法，从文本中获得语言信息。我们将这些结果与基于BERT架构的情感分析进行比较。最后，我们创建了一个混合模型，实现了71%的诊断准确率。
2021-06-19 cs.CL cs.LG
See and Read: Detecting Depression Symptoms in Higher Education Students Using Multimodal Social Media Data
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）
抑郁症和焦虑症等精神障碍在世界人口中以惊人的速度增长。值得注意的是，重性抑郁症已成为高等教育学生中的一个常见问题，他们必须面对的学术压力加剧了，甚至可能使他们更加沮丧。虽然造成这种令人震惊的情况的原因尚不清楚（尽管已进行了广泛调查），但已经面临这一问题的学生必须接受治疗。首先，我们需要对症状进行筛查。传统的方法是依靠临床咨询或回答问卷。然而，如今，在社交媒体上共享的数据是一个无处不在的来源，即使学生无法负担或寻找专业护理，也可以用来检测抑郁症状。以前的研究已经依赖于社交媒体数据来检测普通人群的抑郁症，通常集中在发布的图像或文本或依赖元数据。在这项工作中，我们专注于检测高等教育学生抑郁症状的严重程度，通过比较深度学习和Instagram上发布的图片及其标题诱导的特征工程模型。实验结果表明，学生呈现BDI分数高于或等于20可以检测到的召回率和0.69的精度在最好的情况下，达到了融合模型。我们的研究结果显示了大规模抑郁症筛查的潜力，这可能会对处于风险中的学生有所帮助。
2020-03-29 cs.CL cs.SI
Language-Agnostic Analysis of Speech Depression Detection
Saintgits College of Engineering（圣吉茨工程学院）；IIIT Hyderabad（印度信息技术研究所海得拉巴分校）；Cognitive Science Lab, IIIT Hyderabad（印度信息技术研究所海得拉巴分校认知科学实验室）；Language Technologies Research Center, IIIT Hyderabad（印度信息技术研究所海得拉巴分校语言技术研究中心）
本研究分析跨英语和马拉雅拉姆语的语音抑郁检测，利用IViE语料库数据和CNN模型识别抑郁相关声学特征，验证其跨语言有效性，为开发语言无关的抑郁检测系统提供支持。
2024-09-23 cs.CL
ReDepress: A Cognitive Framework for Detecting Depression Relapse from Social Media
Indian Institute of Technology Bombay（印度理工学院班加罗尔）
本文提出首个经临床验证的抑郁症复发检测数据集ReDepress及认知框架，融合注意偏向、解释偏向、记忆偏向和反刍等认知标记，使基于Transformer的时序模型F1达到0.86，验证了认知理论在早期复发检测中的有效性。
2025-09-22 cs.AI cs.CL cs.LG
Detecting the Clinical Features of Difficult-to-Treat Depression using Synthetic Data from Large Language Models
University of Oxford（牛津大学）；University of Liverpool（利物浦大学）；Mersey Care NHS Foundation Trust（默西护理国民保健信托基金会）；Oxford Health NHS Foundation Trust（牛津健康国民保健信托基金会）；NIHR Oxford Health Biomedical Research Centre（NIHR牛津健康生物医学研究中心）
本研究提出基于LLM合成数据和非极大值抑制算法训练BERT跨度提取模型，从电子病历中提取难治性抑郁症的临床预后因素，在真实数据上取得良好性能，为解决医疗数据隐私与专家标注难题提供新途径。
2024-02-12 cs.CL
Detecting depression in dyadic conversations with multimodal narratives and visualizations
University of Sydney（悉尼大学）；Success Beyond Pain
对话包含了大量的多模态信息，这些信息给我们关于说话者的情感和情绪的暗示。在本文中，我们开发了一个支持人类分析对话的系统。我们的主要贡献是识别适当的多模态功能和整合这些功能到逐字会话成绩单。我们证明了我们的系统能够吸收广泛的多模态信息，并自动生成个人抑郁状态的预测分数。我们的实验表明，这种方法产生了更好的性能比基线模型。此外，多模态叙事方法可以很容易地整合其他学科的知识，如会话分析和心理学。最后，这种跨学科和自动化的方法是朝着模拟从业者如何记录治疗过程以及模拟会话分析师如何手动分析会话迈出的一步。
2020-01-27 cs.AI cs.CL cs.HC
Interpretable Depression Detection from Social Media Text Using LLM-Derived Embeddings
Earlham College（埃尔哈姆学院）
研究利用大语言模型和传统机器学习分类器，针对社交媒体文本进行三项心理健康预测任务。通过多数据集五折交叉验证实验发现，零样本LLMs在二元抑郁分类表现好，细粒度严重程度预测差；基于LLM摘要嵌入的监督模型性能更优，为构建有效可解释评估系统提供方向。
2026-07-27 cs.CL
Depression detection in social media posts using affective and social norm features
National Technical University of Athens（雅典国家技术大学）；Institute for Speech and Language Processing（言语与语言处理研究所）
我们提出了一个从社交媒体帖子中检测抑郁症的深层架构。所提出的架构建立在BERT的基础上，从社交媒体帖子中提取语言表示，并使用专注的双向GRU网络将这些表示结合起来。我们将情感信息，通过增强的文本表示与预训练的情感分类器中提取的特征。心理文学的动机，我们建议将亵渎和道德功能的职位和话在我们的建筑使用后期融合方案。我们的分析表明，道德和亵渎可以是抑郁症检测的重要特征。我们将我们的模型应用于Pirina数据集上的Reddit帖子的抑郁检测，并进一步考虑在Reddit RSDD数据集中提出的每个用户多个帖子的情况下检测抑郁用户的设置。包含所提出的功能在两种设置中产生最先进的结果，即F1评分分别绝对提高2.65%和6.73%。索引术语：抑郁检测，BERT，特征融合，情感识别，亵渎，道德
2023-03-24 cs.CL
Optimizing Large Language Models for Detecting Symptoms of Comorbid Depression or Anxiety in Chronic Diseases: Insights from Patient Messages
Stanford University（斯坦福大学）；Stanford School of Medicine（斯坦福医学院）；Stanford Health Care（斯坦福医疗保健系统）；Google LLC（谷歌公司）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Veterans Affairs Palo Alto Health Care System（帕洛阿尔托退伍军人事务医疗保健系统）
本研究通过提示工程、角色设定、温度调节及零样本/少样本学习优化LLM，从患者消息中检测糖尿病共病抑郁或焦虑，Llama 3.1 405B零样本F-1与准确率均达93%。
2025-03-14 cs.AI cs.CL
DEPTWEET: A Typology for Social Media Texts to Detect Depression Severities
Islamic University of Technology（伊斯兰技术大学）；York University（约克大学）；University of Rajshahi（拉杰沙希大学）
通过数据驱动方法进行的心理健康研究因缺乏标准类型学和缺乏足够的数据而受到阻碍。在这项研究中，我们利用抑郁症的临床表达来建立一个用于检测抑郁症严重程度的社交媒体文本的类型学。它模拟了标准的临床评估程序精神疾病诊断和统计手册（DSM-5）和患者健康问卷（PHQ-9），以涵盖来自推文的抑郁症的微妙迹象。随着类型学，我们提出了一个新的数据集的40191鸣叫标记的专家注释。每条推文都被标记为“非抑郁”或“抑郁”。此外，三个严重程度被认为是“抑郁”的推文：（1）轻度，（2）中度，和（3）严重。为每个标签提供相关联的置信度分数以验证注释的质量。我们通过表示汇总统计来检查数据集的质量，同时使用基于注意力的模型（如BERT和Distil BERT）设置强基线结果。最后，我们广泛地讨论了研究的局限性，为进一步的研究提供方向。
2022-10-10 cs.CL
Towards Preemptive Detection of Depression and Anxiety in Twitter
Cardiff University（卡迪夫大学）
抑郁症和焦虑症是在日常生活的许多领域观察到的精神疾病。例如，这些疾病在社交媒体上的未确诊用户撰写的文本中经常出现。然而，检测具有这些条件的用户并不是一项简单的任务，因为他们可能不会明确地谈论他们的精神状态，如果他们这样做，则必须考虑诸如即时性之类的上下文线索。当可用时，医学专家可以使用指向可能的焦虑或抑郁的语言标志来编写更好的指南和治疗方法。在本文中，我们开发了一个数据集，旨在促进抑郁和焦虑检测在Twitter上的研究，框架检测任务作为一个二进制推文分类问题。然后，我们将最先进的分类模型应用于该数据集，提供一组有竞争力的基线以及定性错误分析。我们的研究结果表明，语言模型表现相当不错，比传统的基线更好。尽管如此，仍有明显的改进空间，特别是在不平衡的训练集和看似明显的语言线索（关键字）被反直觉使用的情况下。
2020-11-10 cs.CL
Probabilistic Textual Time Series Depression Detection
Department of Computer Science, KTH Royal Institute of Technology（计算机科学系，皇家理工学院）；Department of Information Technology, Uppsala University（信息科技系，乌普萨拉大学）
研究旨在实现准确且可解释的抑郁严重程度预测，提出PTTSD概率框架，结合多种技术预测PHQ - 8分数，在相关数据集上性能具竞争力，消融实验及分析突出了方法中各部分价值与临床相关性。
2026-07-13 cs.CL
DASentimental: Detecting depression, anxiety and stress in texts via emotional recall, cognitive networks and machine learning
University of Exeter（埃克塞特大学）；Max Planck Institute for Human Development（马克斯·普朗克人类发展研究所）；University of Warwick（华威大学）
目前大多数的情感量表和对书面文本的情感分析都集中在量化情感的最主要维度--效价（情感）。然而，情绪比效价更广泛、更复杂。区分类似效价的负面情绪在心理健康等背景下可能很重要。该项目提出了一种半监督机器学习模型（DASentimental），用于从书面文本中提取抑郁，焦虑和压力。首先，我们训练模型，以发现$N=200$个体回忆起的情感词序列如何与他们对抑郁焦虑压力量表（DASS-21）的反应相关。在认知网络科学的框架内，我们将每一个回忆起的情绪列表建模为在语义记忆的网络化心理表征上的行走，情绪根据人们记忆中的自由联想而连接。在几种经过测试的机器学习方法中，我们发现一个基于单词序列和语义网络距离训练的多层感知器神经网络可以实现对抑郁症（$R = 0.7$）、焦虑症（$R = 0.44$）和压力（$R = 0.52$）的最新交叉验证预测。虽然受样本量的限制，这种首创的方法，使DAS水平背后的关键语义维度的定量探索。我们发现，语义之间的距离回忆的情绪和二元体“悲伤快乐”是估计抑郁水平的重要特征，但不太重要的焦虑和压力。我们还发现，从“恐惧”的回忆语义距离可以提高预测焦虑，但它变得多余时，考虑“悲伤-快乐”的二元体。采用DASentimental作为一个半监督学习工具来估计文本中的DAS，我们将其应用于142个自杀笔记的数据集。最后，我们讨论了人工智能检测压力、焦虑和抑郁的未来研究的关键方向。
2021-10-26 cs.AI cs.CL cs.CY
SERCNN: Stacked Embedding Recurrent Convolutional Neural Network in Detecting Depression on Twitter
Monash University Malaysia（马来西亚莫纳什大学）
本文提出SERCNN模型，通过堆叠不同领域的预训练嵌入并将嵌入上下文重新引入MLP分类器来改进用户表示，在Twitter抑郁症检测中仅需少量帖子即可达到与BERT相当的准确率，同时大幅减少参数量。
2022-08-05 cs.AI cs.CL cs.SI
DeepLearningBrasil@LT-EDI-2023: Exploring Deep Learning Techniques for Detecting Depression in Social Media Text
Federal University of Goiás（戈亚斯联邦大学）
本文针对社交媒体文本的抑郁程度分类问题，利用心理健康Reddit数据对RoBERTa和DeBERTa模型进行进一步预训练，结合截断、样本权重、交叉验证与集成技术，有效应对长文本和数据不平衡，在共享任务中取得第一名。
2023-11-08 cs.AI cs.CL
Climate and Weather: Inspecting Depression Detection via Emotion Recognition
Shanghai Jiao Tong University（上海交通大学）
自动抑郁检测已经吸引了越来越多的关注，但仍然是一个具有挑战性的任务。心理学研究表明，抑郁情绪与情绪的表达和感知密切相关，这激发了人们对情绪识别知识是否可以转移到抑郁检测中的研究。本文将情感识别模型中提取的预训练特征用于抑郁检测，并进一步将情感模态与音频、文本融合，形成多模态抑郁检测。所提出的情感转移提高了DAIC-WOZ的抑郁检测性能，并增加了训练稳定性。分析抑郁个体表达的情绪如何被进一步感知，为进一步理解抑郁与情绪的关系提供了线索。
2022-05-05 cs.CL
Detect Depression from Social Networks with Sentiment Knowledge Sharing
University of Science and Technology of China（中国科学技术大学）；Anhui Medical University（安徽医科大学）；the Second Affiliated Hospital of Anhui Medical University（安徽医科大学第二附属医院）；Anhui University of Technology（安徽工业大学）
本文提出多任务训练框架DeSK，通过共享情感知识增强社交网络中的抑郁症检测，实验证明其在中英文数据集上具有跨语言有效性。
2023-06-13 cs.AI cs.CL cs.SI
Detecting Reddit Users with Depression Using a Hybrid Neural Network SBERT-CNN
University of Washington（华盛顿大学）；Mayo Clinic（梅奥诊所）
本研究提出结合预训练 SBERT 和 CNN 的混合深度学习模型，通过分析 Reddit 帖子自动识别抑郁症用户，在 SMHD 数据集上达到 0.86 的准确率和 F1 分数，优于现有方法。
2024-01-29 cs.AI cs.CL cs.LG
Diverse Perspectives, Divergent Models: Cross-Cultural Evaluation of Depression Detection on Twitter
University of Minnesota（明尼苏达大学）；Macalester College（麦卡莱斯特学院）
本研究评估抑郁症检测模型在跨文化Twitter数据上的泛化能力，发现模型在全球南方和非西方用户上表现较差，预训练语言模型泛化最佳但仍存在显著差距，并提出了缓解建议。
2024-10-15 cs.CL
Multimodal Depression Classification Using Articulatory Coordination Features And Hierarchical Attention Based Text Embeddings
University of Maryland - College Park（马里兰大学帕克分校）
近年来，多模式抑郁症分类得到了极大的普及。我们开发了一个多模态抑郁症分类系统，使用发音协调功能提取声道变量和文本transmittance从自动语音识别工具，产生改善的接收器操作特征曲线下的面积相比，单峰分类（7.5%和13.7%的音频和文本分别）。我们表明，在训练数据有限的情况下，可以首先训练分段级分类器，然后使用多级卷积递归神经网络在不影响性能的情况下获得会话预测。使用分层注意力网络（HAN）训练文本模型。多模态系统是通过将会话级音频模型和HAN文本模型的嵌入相结合来开发的
2022-02-13 cs.CL eess.AS
PsihoRo: Depression and Anxiety Romanian Text Corpus
PsihoRo语料库是首个公开的罗马尼亚语抑郁症和焦虑文本数据集，通过开放性问题和标准化筛查问卷收集，为自然语言处理社区提供了研究心理健康问题的重要资源。
2026-03-12 cs.CL
Systematic Evaluation of Machine-Generated Reasoning and PHQ-9 Labeling for Depression Detection Using Large Language Models
Silicon Austria Labs（硅 Austria 实验室）；Jiangnan University（江南大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本研究系统性评估大语言模型在抑郁症检测中的推理能力，通过分解任务、对比提示及人工标注揭示弱点，并利用SFT和DPO优化，其中DPO显著提升性能。
2025-05-21 cs.CL cs.LG
A Cost-aware Study of Depression Language on Social Media using Topic and Affect Contextualization
Universidad Politécnica de Madrid（马德里理工大学）
本文提出基于机器学习的社交媒体抑郁症检测系统，结合集成学习与主题情感上下文化策略，并分析模型能耗以权衡分类性能与计算成本。
2023-06-30 cs.CL
Detecting and explaining postpartum depression in real-time with generative artificial intelligence
Information Technologies Group, atlanTTic, University of Vigo, Vigo, Spain（信息科技组，atlanTTic，维戈大学，维戈，西班牙）
本研究提出一种结合NLP、ML和LLMs的智能产后抑郁症筛查系统，通过实时无创语音分析实现PPD检测，并利用可解释ML模型解决黑盒问题，检测准确率达90%。
2025-08-08 cs.AI cs.CL cs.LG
Text-based depression detection on sparse data
以前的基于文本的抑郁检测通常基于大量用户生成的数据。像临床对话这样的稀疏场景很少被研究。本文提出了一种基于文本的多任务BGRU网络，该网络具有预训练的词嵌入来模拟患者在临床访谈中的反应。我们的主要方法使用了一种新的多任务损失函数，旨在建模抑郁症的严重程度和二元健康状态。我们独立地研究了单词和单词级的单词嵌入以及大数据预训练在抑郁症检测中的应用。为了加强我们的研究结果，我们报告了稀疏数据上大量独立运行的平均结果。首先，我们表明预训练有助于基于词级文本的抑郁检测。第二，我们的研究结果表明，在词汇层面的词嵌入应该是首选。虽然池函数的选择不那么重要，但平均值池和注意力池应该优先于最后时间步池。我们的方法输出抑郁症的存在结果以及预测的严重程度评分，最终在DAIC-WOZ开发集上获得了0.84的宏观F1评分和3.48的MAE。
2020-07-08 cs.CL cs.HC cs.LG
Exploring Social Media for Early Detection of Depression in COVID-19 Patients
Zhejiang University（浙江大学）；Tencent Jarvis Lab（腾讯贾维斯实验室）；Harvard University（哈佛大学）
本研究针对COVID-19患者抑郁症早期检测需求，构建含患者感染前后社交活动的数据集，分析高风险特征，提出融合情绪波动、文本与情感特征的深度神经网络，检测性能优于基线，可助力公共卫生及时干预。
2023-05-03 cs.CL
Deep Temporal Modelling of Clinical Depression through Social Media Text
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
我们描述了一个模型的发展，以检测用户级的临床抑郁症的基础上，用户的时间社交媒体帖子。我们的模型使用抑郁症状检测（DSD）分类器，该分类器是在临床抑郁症状的临床医生注释的推文的最大现有样本上训练的。我们随后使用我们的DSD模型来提取临床相关特征，例如，抑郁分数及其随后的时间模式，以及用户发帖活动模式，例如，量化他们的“无活动”或“沉默”。此外，为了评估这些提取的特征的有效性，我们从两个现有的知名基准数据集创建了三种数据集，包括一个测试数据集，用于用户级抑郁检测。然后，我们提供基于单一功能，基线功能和功能消融测试的准确性措施，在几个不同级别的时间粒度。可以利用相关的数据分布和临床抑郁症检测相关的设置来绘制不同特征对我们创建的数据集的影响的全貌。最后，我们表明，在一般情况下，只有面向语义的表示模型表现良好。然而，如果训练和测试分布相似，并且用户的时间轴中有更多数据，则临床特征可以增强整体性能。其结果是，抑郁症评分的预测能力显着增加，而用于更敏感的临床抑郁症检测设置。
2023-03-30 cs.CL cs.LG
Cordyceps@LT-EDI: Depression Detection with Reddit and Self-training
本研究针对社交媒体用户潜在抑郁未确诊的问题，提出基于半监督自训练的Reddit帖子抑郁严重程度检测系统，在LT-EDI@RANLP 2023共享任务中获总排名第三。
2023-09-24 cs.AI cs.CL
Uncertainty-aware Semi-supervised Ensemble Teacher Framework for Multilingual Depression Detection
Indian Institute of Technology Indore, India（印度理工学院印多尔分校）；Shri Govindram Seksaria Institute of Technology（Shri Govindram Seksaria技术学院）
本文提出Semi-SMDNet框架，通过半监督学习、集成学习和数据增强，提升多语言抑郁症检测的鲁棒性和跨语言性能。
2025-12-31 cs.CL
MASON-NLP at eRisk 2023: Deep Learning-Based Detection of Depression Symptoms from Social Media Texts
George Mason University（乔治梅森大学）
本研究采用结合MentalBERT、RoBERTa和LSTM的深度学习方法，参与eRisk 2023任务1，旨在从社交媒体文本中识别与BDI问卷抑郁症状相关的句子，尽管结果低于预期，但揭示了该任务的挑战性。
2023-10-17 cs.CL cs.LG
Explainable Depression Detection using Masked Hard Instance Mining
Chulalongkorn University（朱拉隆功大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出使用掩码难实例挖掘（MHIM）方法，通过策略性掩码注意力权重来提升基于文本的抑郁症检测的可解释性，并在泰语和英语数据集上验证了其在准确率和可解释性上的双重提升。
2025-05-30 cs.CL
Read, Diagnose and Chat: Towards Explainable and Interactive LLMs-Augmented Depression Detection in Social Media
Hefei University of Technology（合肥工业大学）；University of Science and Technology of China（中国科学技术大学）；East China Normal University（华东师范大学）；Pennsylvania State University（宾夕法尼亚州立大学）
本文提出一种可解释且交互式的大语言模型抑郁检测系统，提供诊断、证据及个性化建议，优于传统方法。
2023-05-09 cs.CL
An End-to-End Set Transformer for User-Level Classification of Depression and Gambling Disorder
University of Bucharest（布加勒斯特大学）；Interdisciplinary School of Doctoral Studies, University of Bucharest（布加勒斯特大学跨学科博士学院）；PRHLT Research Center, Universitat Politècnica de València（瓦伦西亚理工大学PRHLT研究中心）；Politehnica University of Bucharest（布加勒斯特理工大学）；Faculty of Mathematics and Computer Science, University of Bucharest（布加勒斯特大学数学与计算机科学学院）；Human Language Technologies Research Center, University of Bucharest（布加勒斯特大学人类语言技术研究中心）
这项工作提出了一个Transformer架构，用于对赌博成瘾和抑郁症进行用户级分类，该架构是可训练的端到端。与其他在帖子层面操作的方法不同，我们处理来自特定个人的一组社交媒体帖子，以利用帖子之间的交互并消除帖子层面的标签噪音。我们利用的事实是，通过不注入位置编码，多头注意力是置换不变的，我们处理随机采样的文本集，从用户编码后，与现代预训练的句子编码器（Roberta / MiniLM）。此外，我们的架构是可解释的现代特征属性方法，并允许通过识别用户的文本集中的歧视职位自动创建数据集。我们对超参数进行了消融研究，并评估了我们在eRisk 2022实验室中对病理性赌博迹象的早期检测和抑郁症早期风险检测的方法。我们的团队BLUE提出的方法在病态赌博检测中获得了最好的ERDE 5得分0.015，第二好的ERDE 50得分0.009。对于抑郁症的早期检测，我们获得了第二好的ERDE 50为0.027。
2022-07-02 cs.CL
Depression Symptoms Modelling from Social Media Text: A Semi-supervised Learning Approach
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
基于社交媒体语言的用户级临床抑郁症建模的一个基本组成部分是抑郁症症状检测（DSD）。不幸的是，目前还没有任何DSD数据集，反映了临床见解和抑郁症症状的分布，从样本的自我披露的抑郁症人群。在我们的工作中，我们描述了一个半监督学习（SSL）框架，该框架使用初始监督学习模型，该模型利用1）在临床医生注释的DSD数据集上进一步微调的最先进的大型心理健康论坛文本预训练语言模型，2）用于DSD的零样本学习模型，并将它们结合在一起，从我们的大型自助抑郁推文库（DTR）中收集抑郁症状相关的样本。我们的临床医生注释数据集是同类中最大的。此外，DTR是从来自两个数据集的自我披露抑郁用户Twitter时间轴中的推文样本创建的，其中包括来自Twitter的用于用户级抑郁检测的最大基准数据集之一。这进一步有助于保留自我披露的Twitter用户推文的抑郁症状分布。随后，我们使用收集的数据迭代地重新训练我们的初始DSD模型。我们讨论了这个SSL过程的停止标准和限制，并阐述了在整个SSL过程中起着至关重要的作用的基础结构。我们表明，我们可以产生一个最终的数据集，这是最大的同类。此外，在其上训练的DSD和抑郁检测后（DPD）模型比其初始版本具有更高的准确性。
2022-09-28 cs.AI cs.CL cs.LG
A BERT-Based Summarization approach for depression detection
University of Tehran（德黑兰大学）；Deakin University（迪肯大学）
针对BERT类模型的文本长度限制问题，本研究提出文本摘要预处理方法，结合自主开发的特征提取分类框架，在DAIC-WOZ数据集上的抑郁症检测效果超越多数现有基准，还构建了可用的抑郁症词典。
2024-09-13 cs.AI cs.CL
Integration of Text and Graph-based Features for Detecting Mental Health Disorders from Voice
Isfahan University of Technology（伊斯法罕理工大学）
随着智能手机等语音设备的出现，可以更早地发现和治疗心理健康障碍，特别是在大流行后。当前的方法涉及直接从音频信号中提取特征。在本文中，两种方法来丰富语音分析抑郁症检测：语音信号的图形变换，和自然语言处理的成绩单的基础上表示学习，融合在一起，产生最终的类标签。DAIC-WOZ数据集的实验结果表明，整合基于文本的语音分类和从低级别和基于图形的语音信号特征中学习可以提高对抑郁症等精神障碍的检测。
2022-05-14 cs.AI cs.CL cs.LG
Enhanced Labeling Technique for Reddit Text and Fine-Tuned Longformer Models for Classifying Depression Severity in English and Luganda
Handong Global University（汉东全球大学）；Busitema University（布西特马大学）；University of Uyo Teaching Hospital（乌约大学教学医院）
针对社交媒体抑郁严重程度识别，本文提出增强Reddit文本标注方法并微调Longformer，在英语和卢干达语定制数据集上分别以48%和45%的表现优于多种传统基线模型。
2024-01-25 cs.CL cs.LG
Cognitive-Linguistic Indicators of Depression in Online Communities: Analysed by DistilBERT and Holographic Reduced Representation
School of Computing, University of Leeds（利兹大学计算机学院）
本研究结合认知语言学特征与DistilBERT嵌入，通过混合模型（DistilBERT+HRR）在Reddit帖子中检测抑郁，宏F1达0.94，优于基线TF-IDF的0.80。
2026-04-15 cs.CL
Learning Evidence of Depression Symptoms via Prompt Induction
IRLab, CITIC, Universidade da Coruña（IR实验室、CITIC、科鲁纳大学）
本文通过提示诱导学习方法，针对21种抑郁症症状进行细粒度分类，提出Symptom Induction方法，在BDI-Sen数据集上取得最佳F1分数，并在跨领域评估中展示出良好的泛化能力。
2026-04-27 cs.CL
Generating Medically-Informed Explanations for Depression Detection using LLMs
Henan Polytechnic University（河南理工大学）
本研究提出多任务抑郁症检测大语言模型LLM-MTD，通过多任务学习同时实现社交媒体帖子抑郁症分类与医学标准文本解释生成，在RSDD基准上达到最优检测性能，且解释具备医学准确性与可解释性。
2025-03-18 cs.CL
Investigating Acoustic-Textual Emotional Inconsistency Information for Automatic Depression Detection
Guangdong-Hong Kong-Macao Joint Laboratory of Human-Machine Intelligence-Synergy Systems, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院粤港澳人机协同智能系统联合实验室）；University of Chinese Academy of Sciences（中国科学院大学）；Good Mood Health Industry Group Co., Ltd（好心情健康产业集团有限公司）；Shanghai Jiao Tong University（上海交通大学）
本文首次提出利用声学-文本情感不一致信息进行抑郁症检测，通过多模态交叉注意力捕捉ATEI特征，并结合Transformer模型与缩放融合策略提升不同严重程度患者的识别效果。
2024-12-09 cs.AI cs.CL eess.AS
Leveraging Large Language Models for Cost-Effective, Multilingual Depression Detection and Severity Assessment
The Chinese University Of Hong Kong（香港中文大学）；City University of Hong Kong（香港城市大学）
本研究评估了四种大语言模型在抑郁症检测中的表现，发现DeepSeek V3在零样本和少样本场景下均表现可靠且成本效益最高，但在严重程度评估方面仍需改进。
2025-04-07 cs.CL cs.LG
Exploring Large Language Models for Detecting Mental Disorders
AIRI；ISP RAS Research Center for Trusted Artificial Intelligence（俄罗斯科学院信息与系统研究信任人工智能研究中心）；FRC CSC RAS（俄罗斯科学院应用数学与计算机科学研究所）；MIPT（米哈伊尔·伊万诺维奇·普京高等经济学院）；RUDN University（俄罗斯人民友谊大学）；MBZUAI（马斯喀特大学人工智能研究所）
本文比较了传统机器学习、基于编码器的模型和大型语言模型在检测抑郁与焦虑症上的表现，发现LLMs在嘈杂小数据集上表现更优，但基于临床确诊文本训练的编码器模型与心理语言学特征能达到可比性能。
2025-11-01 cs.AI cs.CL
Evaluating Large Language Models for Anxiety, Depression, and Stress Detection: Insights into Prompting Strategies and Synthetic Data
Lua Health（Lua健康）
本研究评估了大型语言模型在焦虑、抑郁和压力检测中的性能，发现Distil-RoBERTa和XLNet在不同任务中表现优异，合成数据有效缓解类别不平衡，但需注意精度校准。
2025-12-19 cs.CL
DepressionNet: A Novel Summarization Boosted Deep Framework for Depression Detection on Social Media
University of Technology Sydney（悉尼科技大学）；Deakin University（迪肯大学）；University of Essex（埃塞克斯大学）
Twitter目前是一个流行的在线社交媒体平台，允许用户分享他们的用户生成的内容。这种公开生成的用户数据对医疗保健技术也至关重要，因为发现的模式将在几个方面使他们受益匪浅。其中一个应用是自动发现心理健康问题，例如，萧条以前的研究，以自动检测一个抑郁的用户在网上社交媒体在很大程度上依赖于用户的行为和他们的语言模式，包括用户的社交互动。缺点是这些模型是在几个不相关的内容上训练的，这些内容对于检测抑郁的用户可能并不重要。此外，这些内容对模型的整体效率和有效性产生了负面影响。为了克服现有的自动抑郁症检测方法的缺点，我们提出了一种新的自动抑郁症检测的计算框架，最初选择相关的内容，通过一个混合提取和抽象的总结策略的序列上的所有用户推文，导致更细粒度和相关的内容。然后，内容转到我们新颖的深度学习框架，该框架由卷积神经网络（CNN）组成的统一学习机制与注意力增强的门控递归单元（GRU）模型相结合，从而获得比现有强基线更好的经验性能。
2021-05-23 cs.CL cs.LG cs.SI
Large Language Models for Depression Recognition in Spoken Language Integrating Psychological Knowledge
针对现有抑郁症识别方法现实有效性不足、LLMs难处理非文本线索且缺乏心理学知识的问题，首次将LLMs应用于基于DAIC-WOZ的多模态检测，整合音频特征与心理学知识，显著提升诊断准确性。
2025-05-28 cs.CL cs.HC
Multi Class Depression Detection Through Tweets using Artificial Intelligence
National University of Computer and Emerging Science（国家计算机与新兴科学大学）；University of Salzburg（萨尔茨堡大学）
本研究针对现有推文抑郁症检测仅关注严重程度及数据集标注不准确的问题，基于词汇标注预测五种抑郁症类型，并使用BERT和可解释AI进行特征提取、模型训练与推理，最终BERT模型达到0.96的总体准确率。
2024-04-19 cs.AI cs.CL
Utilizing Neural Networks and Linguistic Metadata for Early Detection of Depression Indications in Text Sequences
University of Applied Sciences and Arts Dortmund（多特蒙德应用科学与艺术大学）；TU Dortmund University（多特蒙德工业大学）；University Hospital Essen（埃森大学医院）；Institute for Medical Informatics, Biometry and Epidemiology (IMIBE)（医学信息学、生物统计学与流行病学研究所（IMIBE））
本研究针对社交媒体文本的抑郁症早期检测问题，结合卷积神经网络与用户级语言元数据的集成方法实现了最优效果，同时改进了ERDE评估指标并训练了领域专用词嵌入。
2018-12-21 cs.CL cs.IR
STEP-EZ: Syntax Tree guided semantic ExPlanation for Explainable Zero-shot modeling of clinical depression symptoms from text
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (AMII)（阿尔伯塔机器智能研究所）
我们专注于探索零射击学习（Zero-Shot Learning，简称ZRL）的各种方法，以及它们对一个具有挑战性但又重要的监督学习任务的可解释性，该任务因训练数据稀缺而臭名昭著，即从文本中进行抑郁症状检测（Depression Symptoms Detection，简称DSD）。我们首先全面综合了我们的EML建模的不同组成部分，并在执业临床医生的帮助下分析了我们的地面真实样本和抑郁症状线索的治疗过程。接下来，我们将分析各种最先进的ARML模型的准确性及其对我们任务的潜在增强。此外，我们勾勒出一个框架，使用的层次化的基于文本的解释机制，我们称之为，语义树引导的语义解释（STEP）。最后，我们总结了实验，从中我们得出结论，我们可以使用CNOL模型，并实现合理的准确性和可解释性，衡量一个建议的可解释性指数（EI）。这项工作是，据我们所知，第一次工作，详尽地探讨的有效性，DSDtask，无论是在准确性和可解释性方面的CNOL模型。
2021-06-23 cs.AI cs.CL cs.IR
Depression detection in social media posts using transformer-based models and auxiliary features
National Technical University of Athens（雅典国家技术大学）
本文提出一种结合DistilBERT、元数据、语言标记和EDA数据增强的神经网络方法，用于社交媒体抑郁症检测，将加权F1分数从72.59%提升至84.15%。
2024-09-30 cs.CL
Multimodal Magic Elevating Depression Detection with a Fusion of Text and Audio Intelligence
University of Sanya（三亚学院）；Academician Workstation of Chunming Rong, University of Sanya（三亚学院戎春明院士工作站）
本研究提出基于师生架构的多模态融合模型，结合多头注意力与加权迁移学习，在 DAIC-WOZ 数据集上 F1 达 99.1%，有效提升了抑郁症分类准确率。
2025-01-31 cs.CL cs.SD eess.AS
TRI-DEP: A Trimodal Comparative Study for Depression Detection Using Speech, Text, and EEG
DISI, University of Bologna, Italy（博洛尼亚大学DISI学院，意大利）
本文通过系统比较语音、文本和EEG的三模态方法，验证了多模态检测的有效性，发现预训练嵌入优于手工特征，三模态模型达到最优性能。
2026-03-23 cs.AI cs.CL cs.LG
Harnessing Large Language Models Over Transformer Models for Detecting Bengali Depressive Social Media Text: A Comprehensive Study
Ahsanullah University of Science and Technology（阿赫萨努拉科技大学）；Dolami Inc.（Dolami公司）；Bangladesh University of Business and Technology（孟加拉国商业技术大学）
本文构建孟加拉语社交媒体抑郁数据集BSMDD，提出微调模型DepGPT，并结合多种深度学习与Transformer模型进行对比，证明DepGPT在零样本和少样本场景下以0.9796准确率取得最优抑郁文本检测效果。
2024-01-14 cs.CL
