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
Clinically Inspired Symptom-Guided Depression Detection from Emotion-Aware Speech Representations
Speech Processing Lab, LTRC IIIT Hyderabad（IIIT Hyderabad语音处理实验室）
本文提出了一种症状引导和情感感知的抑郁症检测框架，通过语音表示实现症状层面的抑郁症严重程度估计。
2026-02-17 cs.CL
Machine Learning Algorithms for Depression Detection and Their Comparison
Central University of Kashmir（克什米尔中央大学）；IIT Patna（印度理工学院巴特那分校）；University of Kashmir（克什米尔大学）
文本情商在社交媒体平台上利用人类情感方面发挥着无处不在的重要作用。社交媒体平台拥有情感内容的特权，并被用于各种目的，如意见挖掘，情感挖掘和情感分析。这一数据分析也有助于预防社交媒体用户的在线欺凌、自杀预防和抑郁症检测。在这篇文章中，我们设计了一个自动抑郁检测在线社交媒体用户通过分析他们的社交媒体行为。所设计的抑郁症检测分类可以有效地用于挖掘用户的社交媒体交互，并且可以确定社交媒体用户是否患有抑郁症。底层分类器使用情感人工智能中最先进的技术制成，包括LSTM（长短期记忆）和其他机器学习分类器。分类器的最高准确率约为LSTM的70%，而SVM的最高准确率为81.79%。我们在文献中广泛用于情感挖掘任务的数据集上训练分类器。最后给出了结果的混淆矩阵。
2023-01-09 cs.AI cs.CL cs.IR
AI in Mental Health: Emotional and Sentiment Analysis of Large Language Models' Responses to Depression, Anxiety, and Stress Queries
University of Tehran（塔里斯坦大学）；University of South Carolina（南卡罗来纳大学）；University of West London（西伦敦大学）；Azad University（阿扎德大学）；Amirkabir University of Technology（阿米卡比尔技术大学）
本文研究了八个大型语言模型对不同用户画像下抑郁、焦虑和压力查询的情绪回应，发现模型选择和心理健康状况类型显著影响情绪表达，而人口统计学因素影响甚微，为心理健康应用中的模型选择提供了依据。
2025-08-15 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
Interpretability of Fine-grained Classification of Sadness and Depression
Carnegie Mellon University（卡内基梅隆大学）
虽然悲伤是人们在一生中的某些时候经历的一种人类情感，给他们带来情绪上的失望和痛苦，但抑郁症是一种长期的精神疾病，它损害了社会，职业和其他重要的功能区域，使其成为一个更加严重的问题，需要尽早得到照顾。NLP技术可以用于这些情绪的检测和后续诊断。网络上的大多数开源数据都将悲伤作为抑郁症的一部分，作为一种情绪，尽管两者的严重程度差异巨大。因此，我们创建了自己的新数据集来说明两者之间的差异。在本文中，我们的目标是突出两者之间的差异，并强调我们的模型如何解释，以明确标记悲伤和抑郁。由于这些信息的敏感性，需要采取隐私措施来处理和培训这些数据。因此，我们也探讨了联邦学习（FL）对语境化语言模型的影响。
2022-03-20 cs.AI cs.CL
Depression detection from Social Media Bangla Text Using Recurrent Neural Networks
University of Maryland Baltimore County（马里兰大学巴尔的摩分校）；Bangladesh University of Engineering & Technology（孟加拉国工程技术大学）；University of Dhaka（达卡大学）；Jahangirnagar University（贾汉吉尔纳加尔大学）；Jagannath University（贾格纳特大学）
本研究针对社交媒体文本中的抑郁症检测问题，对含983条孟加拉语文本的数据集应用NLP预处理与多种特征提取技术，对比LSTM、GRU等分类器效果，助力心理学家识别抑郁情绪以开展干预。
2024-12-08 cs.CL cs.HC cs.LG
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
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
Enhancing Depression Detection with Chain-of-Thought Prompting: From Emotion to Reasoning Using Large Language Models
College of Information Science and Engineering, Ritsumeikan University（立命馆大学信息科学与工程学院）；Fujita Health University（藤田医科大学）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
针对当前基于大型语言模型（LLMs）的抑郁症检测方法存在细微症状识别困难、推理过程不透明的问题，提出一种思维链提示方法，将检测分为四阶段，在E-DAIC数据集上验证了其在分类准确性和诊断粒度上的优越性。
2025-02-09 cs.AI cs.CL
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
Mining Mental Health Signals: A Comparative Study of Four Machine Learning Methods for Depression Detection from Social Media Posts in Sorani Kurdish
University of Kurdistan Hewlêr（库尔德斯坦大学）
本研究首次针对索拉尼库尔德语推文构建抑郁症检测数据集，并比较四种机器学习模型，其中随机森林以80%的准确率和F1分数取得最佳效果，为该语言环境下的自动化抑郁症检测建立了基线。
2025-08-18 cs.CL cs.LG
A Deep Learning Based Chatbot for Campus Psychological Therapy
在本文中，我们提出了Evebot，一个创新的，序列到序列（Seq 2seq）为基础的，完全生成的会话系统，诊断的负面情绪和预防抑郁症，通过积极的暗示反应。该系统由一系列基于深度学习的模型组成，包括基于Bi-LSTM的模型，用于检测用户的负面情绪，并获得用于训练聊天机器人的心理咨询相关语料，反语言序列到序列神经网络，以及最大互信息（MMI）模型。由于青少年不愿意在身体互动中表现出负面情绪，传统的情绪分析方法和安慰方法可能不起作用。因此，本系统着重于利用虚拟平台来检测抑郁或焦虑的迹象，疏导青少年的压力和情绪，从而预防精神疾病的出现。我们将集成的聊天机器人系统发布到一个在线平台上，用于现实世界的校园应用。通过一个月的用户研究，我们观察到比对照组中的其他公共聊天机器人更好的积极性增加结果。
2019-10-09 cs.AI cs.CL cs.LG
COVID-19 Emotion Monitoring as a Tool to Increase Preparedness for Disease Outbreaks in Developing Regions
EAFIT university（EAFIT大学）
2019冠状病毒病大流行带来了许多挑战，从医院占用管理到锁定焦虑或抑郁等心理健康影响。在这项工作中，我们提出了一个解决方案，为后一个问题，通过开发一个Twitter的情绪监测系统的基础上，一个国家的最先进的自然语言处理模型。该系统监测城市账户以及政治家和卫生当局Twitter账户的六种不同情绪。通过匿名使用情绪监测器，卫生当局和私人健康保险公司可以制定策略来解决自杀和临床抑郁症等问题。为这样的任务选择的模型是在西班牙语语料库（BETO）上预训练的来自Transformers（BERT）的双向编码器表示。该模型在验证数据集上表现良好。该系统作为网络应用程序的一部分在线部署，用于哥伦比亚的COVID-19模拟和数据分析，可在https://epidemiologia-matematica.org上获得。
2020-12-17 cs.CL cs.SI
Making a Case for Social Media Corpus for Detecting Depression
Effat University（埃法特大学）；King Abdulaziz University（阿卜杜勒阿齐兹国王大学）
社交媒体平台提供了一个机会来获得对用户行为的宝贵见解。用户使用自然语言以一种无拘无束的方式模仿他们的内心感受和情绪。自然语言处理中的技术帮助研究人员破译标准文档，并从大量数据中筛选出推论。一个有代表性的语料库是NLP的先决条件，我们今天面临的挑战之一是互联网上存在的不标准和嘈杂的语言。我们的工作重点是从社交媒体中建立一个语料库，专注于检测精神疾病。我们使用抑郁症作为一个案例研究，并证明使用这样的语料库，帮助从业者检测此类案件的有效性。我们的研究结果表明，我们的社交媒体语料库和抑郁症标准语料库之间存在高度相关性。
2019-02-02 cs.CL
Topic Modeling Based Multi-modal Depression Detection
University of Notre Dame（圣母大学）
重度抑郁症是一种常见的精神障碍，影响近7%的美国成年人口。2017年视听情绪挑战赛（AVEC）要求参与者建立一个模型，根据7-33分钟的采访的音频，视频和文本来预测抑郁水平。由于在整个访谈中平均特征将丢失大部分时间信息，因此如何发现、捕获和保存如此长的访谈的有用时间细节是重大挑战。因此，我们提出了一种新的主题建模为基础的方法来执行上下文感知分析的记录。我们的实验表明，所提出的方法优于上下文不知道的方法和挑战基线的所有指标。
2018-03-28 cs.CL cs.IR cs.LG
A Psychologically Informed Part-of-Speech Analysis of Depression in Social Media
Interdisciplinary School of Doctoral Studies（跨学科博士研究院）；Department of Psychology（心理学系）
在这项工作中，我们提供了一个广泛的部分语音分析的话语社交媒体用户与抑郁症。心理学研究表明，抑郁的用户倾向于以自我为中心，更专注于自己，更多地思考自己的生活和情绪。我们的工作旨在利用大规模的数据集和计算方法对话语进行定量探索。我们使用来自2018年互联网研讨会早期风险预测（eRisk）的公开可用的抑郁症数据集，并基于它们提取词性特征和几个指数。我们的研究结果揭示了抑郁和非抑郁个体之间的统计学显着差异，证实了现有心理学文献的研究结果。我们的工作提供了关于抑郁个体在社交媒体平台上表达自己的方式的见解，允许更好地了解计算模型，以帮助监测和预防精神疾病。
2021-07-31 cs.CL
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
Speech-Based Depressive Mood Detection in the Presence of Multiple Sclerosis: A Cross-Corpus and Cross-Lingual Study
audEERING GmbH（audEERING公司）；TUM University Hospital（技术大学医院）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Hasso-Plattner Institute（哈索-普拉特纳研究所）；Inselspital, Bern University Hospital（伯尔尼大学医院）；Agile Robots（敏捷机器人公司）；Imperial College（帝国学院）
本研究探索语音AI在多发性硬化症（MS）患者中检测抑郁情绪的潜力，通过跨语料库和跨语言分析，结合传统语音特征、SER情感维度及探索性特征，模型在二分类任务中UAR达66%，特征选择后提升至74%，为并发疾病情境下的抑郁检测提供初步依据。
2025-08-25 cs.CL
A Depression Detection Method Based on Multi-Modal Feature Fusion Using Cross-Attention
School of Information Science, Guangdong University of Finance and Economics（广东财经大学信息科学学院）
针对抑郁症早期诊断难的问题，提出基于交叉注意力融合多模态特征的MFFNC网络，在测试集上达到0.9495的准确率，显著优于现有方法。
2024-07-02 cs.AI cs.CL cs.LG
Self-supervised representations in speech-based depression detection
University of Cambridge（剑桥大学）
本文利用自监督预训练基础模型解决语音抑郁症检测的数据稀疏问题，通过融合ASR和情绪识别模型的多层表征，在DAIC-WOZ数据集上取得了最先进结果。
2023-07-06 cs.CL cs.SD eess.AS
MOGAM: A Multimodal Object-oriented Graph Attention Model for Depression Detection
Sungkyunkwan University（成均馆大学）
针对现有抑郁症检测方法跨数据类型扩展性受限的问题，提出多模态面向对象图注意力模型MOGAM，利用交叉注意力机制聚合临床确诊用户的视频博客多模态特征，在自有数据集和基准数据集上均取得优异性能，为社交媒体抑郁症早期检测提供了有效方案。
2024-03-21 cs.AI cs.CL cs.LG
Depression Risk Assessment in Social Media via Large Language Models
Guglielmo Marconi University, Department of Human Sciences（圭里莱莫·马尔科尼大学人文科学系）
本文提出基于大语言模型的系统，通过多标签分类八种抑郁相关情绪和计算加权严重性指数，评估Reddit帖子中的抑郁症风险，实验结果显示模型在零样本设置下表现良好。
2026-04-21 cs.AI cs.CL
Deep Knowledge-Infusion For Explainable Depression Detection
National Institute of Technology Kurukshetra（库鲁克谢特拉国家理工学院）
本文提出知识注入神经网络KiNN，融合抑郁症领域本体DFO和常识知识COMET，在提升检测性能的同时为临床医生提供用户级可解释性，并在多个数据集上优于MentalBERT等基线模型。
2024-09-01 cs.AI cs.CL 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
ReDSM5: A Reddit Dataset for DSM-5 Depression Detection
IRLab, CITIC, Universidade da Coruña（IR实验室、CITIC、圣地亚哥大学）
针对现有抑郁症检测缺乏DSM-5标准关联的问题，提出ReDSM5数据集，含1484篇句子级标注的Reddit帖子及专家解释，支持症状分类与可解释推理，并建立基线基准。
2025-08-05 cs.CL
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
Multitask learning for recognizing stress and depression in social media
National Technical University of Athens（雅典国立技术大学）
针对现有研究将压力与抑郁识别视为独立任务的局限，提出两种以抑郁为主任务、压力为辅助任务的多任务学习框架，实验证明其性能优于现有最优方法。
2023-10-08 cs.CL cs.SI
Guilt Detection in Text: A Step Towards Understanding Complex Emotions
Instituto Politécnico Nacional (IPN)（国立理工学院）；Catholic University of Mozambique（莫桑比克天主教大学）
我们介绍了一种新的自然语言处理（NLP）任务，称为内疚检测，其重点是检测文本中的内疚。我们认为内疚是一种复杂而重要的情绪，以前没有在NLP中研究过，我们的目标是提供更细粒度的分析。为了解决缺乏公开可用的内疚检测语料库的问题，我们创建了VIC，一个包含4622个文本的数据集，来自三个现有的情绪检测数据集，我们将其二进制化为内疚和无内疚类。我们用传统的机器学习方法进行了实验，使用词袋和词频逆文档频率特征，最高性能的模型获得了72%的f1分数。我们的研究为理解文本中的内疚迈出了第一步，并为这一领域的未来研究打开了大门。
2023-03-06 cs.CL
Explainable Detection of Depression Status Shifts from User Digital Traces
DIMES, University of Calabria（DIMES，卡塔尔大学）
本文提出一个可解释框架，通过结合多个BERT模型提取多维信号，构建用户轨迹以识别抑郁状态转变，利用大语言模型生成可读报告，提升解释性。
2026-05-14 cs.AI cs.CL cs.LG
Depressed individuals express more distorted thinking on social media
Indiana University（印第安纳大学）
抑郁症是全球残疾的主要原因，但往往诊断不足和治疗不足。认知行为疗法（CBT）的原则之一是，抑郁症患者表现出扭曲的思维模式，即所谓的认知扭曲，这会对他们的情绪和动机产生负面影响。在这里，我们表明，在社交媒体上自我报告抑郁症诊断的人比随机样本表达了更高水平的扭曲思维。在我们的抑郁人群中，某些类型的扭曲思维的普遍程度是抑郁人群的两倍多，特别是个性化和情感推理。这种效果是特定于表达的扭曲内容，并且不能通过特定主题，情感或第一人称代词的存在来解释。我们的研究结果指向检测，并可能减轻，通常被认为是抑郁症的在线语言模式。他们还可以深入了解最近的观察结果，即社交媒体的使用可能对心理健康产生负面影响。
2020-02-07 cs.CL cs.SI
Utilizing ChatGPT Generated Data to Retrieve Depression Symptoms from Social Media
University of Bucharest（布加勒斯特大学）；Universitat Politècnica de València（瓦伦西亚理工大学）
本文利用ChatGPT为BDI-II问卷各症状生成合成数据，并通过语义搜索和余弦相似度在Reddit中检索抑郁症状，发现仅依赖原始BDI-II回答的方法性能最佳。
2023-07-06 cs.CL
Snugi-AI-v2 @ eRisk 2026 Task 2: Early Depression Detection via a Learned Stopping Policy with Sustained Confidence Gate
Georgia Institute of Technology（佐治亚理工学院）
本研究提出Snugi-AI-v2系统，利用学习停止策略和持续置信度门控，在Reddit讨论中实现早期抑郁症检测，优化ERDE50并减少误报，取得F1=0.73和最快评估时间。
2026-09-09 cs.CL cs.IR
FedMental: Evaluating Federated Learning for Mental Health Detection from Social Media Data
University of Minnesota（明尼苏达大学）；University of Edinburgh（爱丁堡大学）
本文通过联邦学习和差分隐私联邦学习在抑郁和自杀危机检测任务上的实验，评估了隐私保护技术对心理健康检测性能的影响，发现联邦学习性能接近集中式训练，但差分隐私联邦学习存在显著的性能-隐私权衡。
2026-06-03 cs.CL cs.LG
Delivering Cognitive Behavioral Therapy Using A Conversational SocialRobot
University of Denver（丹佛大学）；Eaton Senior Community（伊顿老年社区）
社交机器人正在成为我们日常生活中不可或缺的一部分，因为它们能够提供陪伴和娱乐。机器人的一个子领域，社会辅助机器人（SAR），特别适合将这些好处扩展到医疗保健环境中，因为它具有提供认知，社交和情感支持的独特能力。本文介绍了我们最近的研究，通过评估一个生活般的会话社交机器人，称为瑞安，管理互联网提供的认知行为治疗（iCBT）的老年人抑郁症的能力，开发SAR。为了让赖安进行治疗，我们开发了一个对话管理系统，叫做Program-R。使用经过认可的抑郁症治疗CBT手册，我们创建了7个小时的iCBT对话，并使用人工智能置标语言（AIML）将其集成到Program-R中。为了评估基于机器人的iCBT的有效性和用户对我们方法的喜爱程度，我们对一组患有轻度至中度抑郁症的老年人进行了为期四周的HRI研究。对参与者的口头反应（例如，字数和情感分析）、面部情绪评分和退出调查的定量分析强烈支持基于机器人的iCBT是传统人类治疗的可行替代方案的观点。
2019-09-14 cs.CL cs.RO
Applying Speech Tempo-Derived Features, BoAW and Fisher Vectors to Detect Elderly Emotion and Speech in Surgical Masks
MTA-SZTE Research Group on Artificial Intelligence（MTA-SZTE人工智能研究组）；University of Szeged（塞格德大学）
2020年INTERSPEECH计算副语言学挑战赛（ComparE）由三个子挑战组成，其中的任务是识别老年人说话者的唤醒水平和效价，确定实际说话者是否戴着外科口罩，以及估计说话者的实际呼吸。在我们对挑战的贡献中，我们专注于老年人情绪和面具子挑战。除了利用标准或接近标准的功能，如ComparE泛函，Bag-of-Audio-Words和Fisher向量，我们利用情绪与语速（即语速）。为了利用这一点，我们使用ASR系统执行语音级识别，并从输出中提取特征，如发音节奏，语音节奏和测量停顿量的各种属性。我们还假设戴着外科口罩会让说话者感到不安，导致语速变慢和更多犹豫;因此，我们也在口罩子挑战中尝试了相同的功能。虽然这一理论并没有被面具子挑战的实验结果所证明，但在老年人情绪子挑战中，我们在开发集和交叉验证中都获得了这种特征类型的显著改善的唤醒和效价值。
2020-08-07 cs.CL cs.SD eess.AS
K-SENSE: A Knowledge-Guided Self-Augmented Encoder for Neuro-Semantic Evaluation of Mental Health Conditions on Social Media
School of Psychology, University of New South Wales（新南威尔士大学心理学学院）
K-SENSE通过结合外部心理推理和内部表示鲁棒性，提出了一种统一框架，用于从社交媒体文本中检测压力和抑郁症等心理健康状况，实现了较高的F1分数。
2026-04-28 cs.AI cs.CL
Divergent Emotional Patterns in Disinformation on Social Media? An Analysis of Tweets and TikToks about the DANA in Valencia
PRHLT Research Center, Universitat Politècnica de València（瓦伦西亚理工大学PRHLT研究中心）；ValgrAI Valencian Graduate School and Research Network of Artificial Intelligence（瓦伦西亚ValgrAI人工智能研究生学院及研究网络）；School of Communication, Universidad de Navarra（纳瓦拉大学传播学院）
本研究针对瓦伦西亚 DANA 洪水事件构建了 650 条多平台数据集，通过情感、语言和音频分析揭示了虚假信息在不同平台上的差异化特征，并证明结合文本与音频特征的多模态检测模型能更有效地识别虚假信息。
2025-01-28 cs.CL cs.CY cs.SI
