MentSum: A Resource for Exploring Summarization of Mental Health Online Posts
Georgetown University（乔治城大学）
精神卫生仍然是全世界公共卫生的一个重大挑战。随着在线平台的日益普及，许多人使用这些平台分享他们的心理健康状况，表达他们的感受，并寻求社区和咨询师的帮助。其中一些平台，如Reachout，是用户注册寻求帮助的专用论坛。其他人，如Reddit，提供子Reddit，用户公开但匿名发布他们的心理健康困扰。虽然帖子的长度各不相同，但提供一个简短但信息丰富的摘要是有益的，以便辅导员快速处理。为了促进对心理健康在线帖子总结的研究，我们引入了心理健康总结数据集MentSum，其中包含来自Reddit的超过24，000个精心挑选的用户帖子，以及来自43个心理健康子Reddit的简短用户书面摘要（称为TLDR）。这个特定领域的数据集不仅可以在Reddit上生成简短的摘要，还可以在专门的心理健康论坛（如Reachout）上生成帖子摘要。我们根据Rouge评分进一步评估了提取和抽象的最先进摘要基线，最后对用户编写和系统生成的摘要进行了深入的人类评估研究，突出了本研究中的挑战。
2022-06-02 cs.CL
mhGPT: A Lightweight Generative Pre-Trained Transformer for Mental Health Text Analysis
Children’s National Hospital（儿童国家医院）；George Washington University（乔治·华盛顿大学）
本研究提出轻量级生成式预训练Transformer模型mhGPT，通过整合多元心理健康数据、自定义分词器并优化小模型架构，在低算力、少数据条件下实现了优于大模型的心理健康文本分析性能，助力低资源地区的AI心理健康护理发展。
2024-08-15 cs.CL
Robust language-based mental health assessments in time and space through social media
Stony Brook University（石溪大学）；Stanford University（斯坦福大学）；University of Pennsylvania（宾夕法尼亚大学）
与身体健康相比，美国的人口心理健康测量非常粗粒度。目前，在最大规模的人口调查中，例如由疾病控制中心或盖洛普进行的调查，心理健康仅通过“精神不健康的日子”或“悲伤”来广泛获取，并仅限于相对不常见的州或大都市估计。通过对社交媒体数据的大规模分析，在更高的分辨率下，对人口心理健康的稳健估计是可行的，最高可达每周一次的估计。在目前的工作中，我们验证了一个管道，该管道使用来自200万地理定位用户的12亿条推文样本来估计两种主要心理健康状况（抑郁和焦虑）的心理健康变化。我们发现基于语言的心理健康评估和盖洛普调查分数之间存在中度到重度的关联，这些关联具有多个粒度级别，一直到县周（固定效应$β= .25$到$1.58$ ; $p<.001$）。基于数据的评估允许在每周的时间尺度上对人口心理健康进行具有成本效益和可扩展的监测。这种空间上细粒度的时间序列非常适合于监测社会事件和政策的影响，并使人口健康和其他学科的准实验性研究设计成为可能。除了美国的心理健康，这一方法可推广到一系列广泛的心理结果，并允许在资源不足的环境中进行社区测量，因为在这种环境中，没有传统的调查措施-只有社交媒体数据-可用。
2023-02-25 cs.CL
RSDD-Time: Temporal Annotation of Self-Reported Mental Health Diagnoses
Georgetown University（乔治城大学）；Ghent University（根特大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；National Institutes of Health（美国国立卫生研究院）
自我报告的诊断声明已被广泛用于研究社交媒体中与心理健康相关的语言。然而，现有的研究在很大程度上忽视了心理健康诊断的时间性。在这项工作中，我们引入了RSDD-Time：一个新的数据集，包含来自Reddit的598个手动注释的自我报告的抑郁症诊断帖子，其中包括有关诊断的时间信息。注释包括是否存在心理健康状况以及最近的诊断发生时间。此外，我们还包括与诊断日期相关的确切时间跨度。这些信息对于通过社交媒体检查心理健康的各种计算方法是有价值的，因为一个人的心理健康状态不是静态的。我们还测试了一些基线分类和提取方法，这表明从自我报告的诊断陈述中提取时间信息是具有挑战性的。
2018-06-20 cs.CL
Multi-Task Learning for Mental Health using Social Media Text
Johns Hopkins University（约翰斯·霍普金斯大学）；Microsoft Research（微软研究院）；University of Copenhagen（哥本哈根大学）
我们介绍了在深度学习框架中估计自杀风险和心理健康的初步基础。通过对多个条件进行建模，该系统能够以较低的误报率对自杀风险和心理健康进行预测。条件被建模为多任务学习（MTL）框架中的任务，性别预测作为一个额外的辅助任务。我们证明了多任务学习的有效性相比，一个良好的调整单任务基线相同数量的参数。我们最好的MTL模型预测了潜在的自杀企图，以及非典型心理健康的存在，AUC > 0.8。我们还发现，在训练数据有限的情况下，对心理健康任务使用多任务学习也有很大的改进。
2017-12-10 cs.CL
PsyEval: A Suite of Mental Health Related Tasks for Evaluating Large Language Models
Shanghai Jiao Tong University（上海交通大学）；Shanghai Jiao Tong University School of Medicine（上海交通大学医学院）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本文提出首个心理健康任务综合评估套件PsyEval，包含五个子任务评估三个关键维度，对十二个先进LLMs的测试揭示了当前模型不足及未来优化方向。
2024-06-03 cs.CL
Exploring Profiles of Cognitive Distortions Associated with Mental Health Disorders
Institute of Computer Science（计算机科学研究所）；University of Tartu（塔尔图大学）
本研究使用基于n-gram和微调Transformer模型的方法，分析Reddit数据中九种自我报告心理健康群体与对照组的认知扭曲，发现心理健康群体扭曲程度更高，且不同群体间扭曲模式相似，表明简单词汇方法可用于大规模心理健康文本的群体趋势探索。
2026-05-24 cs.CL
Leveraging LLMs for Translating and Classifying Mental Health Data
Department of Computer Science and Engineering, University of Ioannina（计算机科学与工程系，希腊伊奥亚纳大学）；LT3, IDLab, Universiteit Gent（LT3，IDLab，比利时根特大学）；Department of Informatics, Athens University of Economics and Business（信息系，希腊经济与商业大学）；Archimedes/AthenaRC, Greece（阿基米德/阿提卡RC，希腊）
本研究利用大语言模型在希腊语中检测抑郁症严重程度，发现GPT3.5-turbo在非英语语言中的表现不一致，强调了进一步研究和人类监督的重要性。
2026-10-14 cs.CL
Cross-Lingual Mental Health Ontologies for Indian Languages: Bridging Patient Expression and Clinical Understanding through Explainable AI and Human-in-the-Loop Validation
University of Florida（佛罗里达大学）；University of Kansas（堪萨斯大学）；University of Maryland（马里兰大学）；IIT Kharagpur（印度理工学院卡拉格普尔分校）
针对印度语言心理健康沟通的语言碎片化与临床NLP资源缺口问题，提出患者压力表达跨语言图（CL-PDE）框架，通过图方法构建跨语言本体以捕捉文化嵌入的痛苦表达并关联临床术语，助力多语言心理健康护理。
2025-10-06 cs.CL
North Africa's Missing Framework: NLP-Driven Mental Healthcare in Algeria and Implications for Low-resource Settings
University Mohamed El Bachir El Ibrahimi of Bordj Bou Arreridj（布吉布阿雷里吉·穆罕默德·巴希尔·易卜拉欣大学）；Laboratory of Informatics and its Applications of M’sila（姆西拉信息学及其应用实验室）；Laboratory of Materials and Electronic Systems（材料与电子系统实验室）
该研究提出首个针对阿尔及利亚精神医疗的NLP概念框架，明确当地精神医疗四项障碍并映射NLP应用，给出研究政策路线图，为低资源多语言地区开发AI精神医疗系统提供基础。
2026-08-11 cs.CL
MentalMARBERT: Domain-Adaptive Pre-training and Two-Stage Fine-Tuning for Arabic Mental Health Disorders Detection
King Abdulaziz University（阿卜杜勒阿齐兹国王大学）
针对阿拉伯语社交媒体文本中心理健康障碍检测的方言差异、非正式语言、标注资源有限和类别不平衡问题，提出领域自适应预训练与两阶段微调框架，构建含5万条推文的数据集，MentalMARBERT在宏F1和准确率上分别达到0.861和0.877。
2026-06-12 cs.CL
MentalQA: An Annotated Arabic Corpus for Questions and Answers of Mental Healthcare
College of Computing（计算机学院）；Umm Al-Qura University（乌姆·古拉大学）；King Khalid University（哈立德国王大学）；College of Computer and Information Sciences（计算机与信息科学学院）；King Saud University（沙特国王大学）
本文构建阿拉伯语心理健康问答数据集 MentalQA，设计问题类型与回答策略标注体系并验证高标注一致性，为相关文本挖掘工具提供基础。
2024-05-21 cs.CL
M-HELP: Using Social Media Data to Detect Mental Health Help-Seeking Signals
IIIT Dharwad（印度达尔瓦德理工学院）；Arizona State University（亚利桑那州立大学）
本文提出新数据集 M-Help，用于检测社交媒体上的求助行为，并同时识别具体心理健康障碍及其根本原因，支持求助者识别、病症诊断和原因挖掘三项任务。
2025-08-21 cs.CL
On the State of Social Media Data for Mental Health Research
Johns Hopkins University（约翰霍普金斯大学）
在过去的十年中，用于心理健康治疗和监测的数据驱动方法已经成为计算科学研究的主要焦点。然而，在医学理解和系统性能方面，该领域的进展仍然受到足够数据可用性的限制。以前的系统性评价不一定能够衡量数据相关挑战对研究进展的影响程度。在本文中，我们专门分析了用于进行心理健康研究的社交媒体数据的状态。我们通过引入一个开源的精神健康数据集目录来做到这一点，并使用标准化的模式进行注释，以促进荟萃分析。
2021-04-25 cs.CL
PRiME: Pragmatic Reasoning In MEntal health
Sneha Oram（独立研究者）
本文提出PRiMH数据集及心理健康语用推理任务，评测多个大语言模型的推理能力，并研究其对心理健康污名的处理表现。
2026-10-22 cs.CL
Reasoning Is Not All You Need: Examining LLMs for Multi-Turn Mental Health Conversations
Georgia Institute of Technology（佐治亚理工学院）
本文提出MedAgent框架生成多轮心理健康对话数据集MHSD，并构建MultiSenseEval评估框架，发现前沿推理模型在患者中心沟通和高级诊断上表现不佳，且性能随对话轮次增加而下降。
2025-05-28 cs.CL
Mentalic Net: Development of RAG-based Conversational AI and Evaluation Framework for Mental Health Support
Texas State University（德克萨斯州立大学）
本研究开发了基于RAG框架、结合提示工程与微调的心理健康支持对话AI Mentalic Net，构建多维度评估体系验证其性能达标，倡导以人在回路的负责任策略开发此类技术。
2025-08-27 cs.CL
MentaLLaMA: Interpretable Mental Health Analysis on Social Media with Large Language Models
The University of Manchester（曼彻斯特大学）；Jiangxi Normal University（江西师范大学）；Yale University（耶鲁大学）；Wuhan University（武汉大学）
针对大语言模型在心理健康分析中零样本性能差且缺乏开源可解释模型的问题，构建了10.5万样本的IMHI数据集，并基于LLaMA2训练出首个开源的MentalLLaMA模型，在正确性和解释质量上均达到先进水平。
2024-02-04 cs.CL
An Assessment on Comprehending Mental Health through Large Language Models
Lua Health
本研究针对大语言模型在心理健康领域的应用空白，评估其理解自然语言中心理健康表达的能力，对比发现BERT、XLNet等transformer模型在DAIC-WOZ数据集上表现优于Llama-2和ChatGPT。
2024-02-02 cs.CL
Large Language Models for Mental Health Diagnostic Assessments: Exploring The Potential of Large Language Models for Assisting with Mental Health Diagnostic Assessments -- The Depression and Anxiety Case
Indian Institute of Research and Science, Bhopal（博帕尔印度研究与科学学院）；Indian Institute of Technology, Kharagpur（克勒格布尔印度理工学院）
本文研究利用LLMs辅助PHQ-9和GAD-7诊断评估，通过提示与微调技术使模型遵循标准诊断流程，并验证其与专家诊断的一致性。
2025-01-02 cs.CL
Data Augmentation for Mental Health Classification on Social Media
在线用户的精神障碍是通过社交媒体帖子确定的。在这个领域的主要挑战是利用道德清除使用社交媒体平台上的用户生成的文本。学术研究发现了心理健康分类数据不足和未标记的问题。为了解决这个问题，我们研究了数据增强技术对特定领域的用户生成的文本心理健康分类的影响。在现有的完善的数据增强技术，我们已经确定了简单的数据增强（EDA），条件BERT，和回翻译（BT）作为潜在的技术，用于生成额外的文本，以提高分类器的性能。此外，三种不同的分类器随机森林（RF），支持向量机（SVM）和逻辑回归（LR）用于分析数据增强对两个公开可用的社交媒体数据集的影响。实验结果表明，在增强数据上训练时，分类器的性能有了显着的提高。
2021-12-19 cs.CL
Prompt-based mental health screening from social media text
本研究针对大规模含噪社交媒体文本的心理健康筛查问题，提出结合GPT 3.5提示筛选相关内容与词袋分类器预测标签的方法，性能媲美BERT混合专家模型且训练成本大幅降低。
2024-05-11 cs.CL
Mental-LLM: Leveraging Large Language Models for Mental Health Prediction via Online Text Data
Massachusetts Institute of Technology（麻省理工学院）；University of Washington（华盛顿大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Stanford University（斯坦福大学）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Northeastern University（东北大学）
本研究评估多种LLM在心理健康预测任务上的表现，发现指令微调可显著提升性能，微调后的小模型性能超越大参数规模的GPT-3.5、GPT-4，比肩任务专用SOTA模型，同时指出相关局限与伦理风险。
2024-01-28 cs.CL
3M-Health: Multimodal Multi-Teacher Knowledge Distillation for Mental Health Detection
The University of Sydney（悉尼大学）；The University of Western Australia（西澳大学）；The University of Melbourne（墨尔本大学）
针对现有心理健康数据集仅含文本的局限，提出多模态多教师知识蒸馏模型，利用跨模态信息并分散学习过程，提升心理健康分类性能。
2024-08-08 cs.CL
Micromodels for Efficient, Explainable, and Reusable Systems: A Case Study on Mental Health
University of Michigan（密歇根大学）
许多统计模型在测试基准上具有很高的准确性，但无法解释，在低资源场景中挣扎，不能用于多个任务，并且无法轻松集成领域专业知识。这些因素限制了它们的使用，特别是在心理健康等环境中，很难对数据集进行注释，并且模型输出具有重大影响。我们引入一个微模型架构来解决这些挑战。我们的方法允许研究人员构建可解释的表示，嵌入领域知识，并在整个模型的决策过程中提供解释。我们展示了多个心理健康任务的想法：抑郁症分类，创伤后应激障碍分类，自杀风险评估。我们的系统即使在低资源情况下也能始终如一地产生强有力的结果，并且比其他方法更具可解释性。
2021-09-28 cs.CL
EmoMent: An Emotion Annotated Mental Health Corpus from two South Asian Countries
The University of Adelaide（阿德莱德大学）；University of Moratuwa（莫拉图瓦大学）；University of Colombo School of Computing（科伦坡大学计算学院）；University of Colombo（科伦坡大学）
人们经常使用在线媒体（例如，Facebook，Reddit）作为一个平台，表达他们的心理困扰和寻求支持。最先进的NLP技术显示出从文本中自动检测心理健康问题的强大潜力。研究表明，心理健康问题反映在情绪上（例如，悲伤）表明一个人对语言的选择。因此，我们开发了一个新的情绪注释的心理健康语料库（EMAMent），由2802 Facebook帖子（14845句）从两个南亚国家-斯里兰卡和印度。三名临床心理学研究生参与了将这些帖子注释为八个类别，包括“精神疾病”（例如，抑郁症）和情绪（例如，“悲伤”、“愤怒”）。注释者之间的一致率为98.3%（即，两个或更多一致率为%），Fleiss Kappa为0.82。我们基于RoBERTa的模型在第一个任务（即从帖子中预测心理健康状况）和第二个任务（即相关帖子与我们分类中定义的类别的关联程度）中分别获得了0.76的F1得分和0.77的宏观平均F1得分。
2022-08-17 cs.CL
Automatic Evaluation of Mental Health Stigma in Online Communication
The University of Melbourne（墨尔本大学）；University of Tübingen（图宾根大学）
本研究提出一个基于理论的心理健康污名自动评估基准，涵盖细粒度分类法，并评估大型语言模型，发现现有模型难以准确捕获污名，LLM需明确规则以避免过度预测。
2026-10-05 cs.CL
MHQA: A Diverse, Knowledge Intensive Mental Health Question Answering Challenge for Language Models
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本研究针对心理健康问答缺乏标准基准的问题，构建了覆盖四大领域、多类题型的MHQA数据集，含专家验证金标数据与伪标注数据，并测试了不同大语言模型的性能。
2025-02-21 cs.CL
An Exploratory Analysis of the Relation Between Offensive Language and Mental Health
University of Bucharest（布加勒斯特大学）；Rochester Institute of Technology（罗切斯特理工学院）
在本文中，我们分析了攻击性语言的使用和心理健康之间的相互作用。我们获得了为攻击性语言识别和抑郁症检测而创建的公开数据集，并对训练计算模型，以比较有和没有自我报告抑郁症诊断的个人群体在社交媒体帖子中使用攻击性语言的情况。我们还研究了根据最近的相关研究显示出抑郁迹象的个人群体所写的样本。我们的分析表明，攻击性语言更频繁地使用的样本写的个人与自我报告的抑郁症以及个人表现出抑郁症的迹象。这里讨论的结果在礼貌/进攻性和心理健康的研究开辟了新的途径。
2021-06-24 cs.CL
Explainable Causal Analysis of Mental Health on Social Media Data
The Chinese University of Hong Kong（香港中文大学）；University of Florida（佛罗里达大学）；JSS Academy of Technical Education（JSS技术教育学院）
随着社交计算、自然语言处理和临床心理学的最新发展，社交NLP研究社区解决了社交媒体上精神疾病自动化的挑战。心理健康问题的多类分类问题的最近扩展是识别用户意图背后的原因。然而，社交媒体上心理健康问题的多类因果分类由于因果解释的重叠问题而存在错误预测的重大挑战。有两种可能的缓解技术来解决这个问题：（i）数据集中因果解释/不适当的人类注释推断之间的不一致性，（ii）使用话语分析深入分析自我报告文本中的论点和立场。在本研究工作中，我们假设如果不同班级的F1分数之间存在不一致，那么相应的因果解释之间也一定存在不一致。在这项任务中，我们微调分类器，并使用LIME和集成梯度（IG）方法在社交媒体上找到对精神疾病多类因果分类的解释。我们用CAMS数据集测试了我们的方法，并用注释解释进行了验证。本研究的一个重要贡献是发现了多类因果分类准确性不一致的原因。我们的方法的有效性是显而易见的，得到的结果具有类别明智的平均分数$81.29 \%$和$0.906$使用余弦相似性和词移动的距离，分别。
2022-11-09 cs.AI cs.CL cs.IR
Mental Health Assessment for the Chatbots
Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯公司微信人工智能模式识别中心）；University of Chinese Academy of Sciences（中国科学院大学）
以往对对话系统评估的研究通常集中在聊天机器人生成的响应的质量评估（例如流畅性、相关性等）上，这是局部的和技术性的度量。对于一个回应数百万在线用户（包括未成年人）的聊天机器人，我们认为它应该有一个健康的心理倾向，以避免对他们产生负面的心理影响。在本文中，我们建立了几个心理健康评估维度（抑郁，焦虑，酒精成瘾，共情），并介绍了基于情感的心理健康评估方法。我们对一些著名的开放域聊天机器人进行了评估，发现所有这些聊天机器人都存在严重的心理健康问题。我们认为这是由于在数据集构建和模型训练过程中忽视了心理健康风险。我们期望引起研究者对聊天机器人严重的心理健康问题的关注，并提高聊天机器人的积极情感互动能力。
2022-01-14 cs.CL cs.HC
Gendered Mental Health Stigma in Masked Language Models
University of Washington（华盛顿大学）；Stanford University（斯坦福大学）
本文通过基于临床心理学文献构建提示框架，评估掩码语言模型在心理健康语境中的性别化词语预测倾向，发现模型更易将心理健康状况与女性关联且该偏差在寻求治疗语境中加剧，揭示了模型捕捉社会性别污名的复杂机制。
2023-04-11 cs.CL cs.CY
CARMA: Comprehensive Automatically-annotated Reddit Mental Health Dataset for Arabic
School of Engineering and Applied Science（工程与应用科学学院）；George Washington University（乔治·华盛顿大学）
本文提出首个大规模自动标注的阿拉伯语 Reddit 心理健康数据集 CARMA，涵盖六类心理状况及对照组，并通过多类模型实验验证其在阿拉伯语心理健康检测中的价值。
2025-11-05 cs.AI cs.CL
Quantifying the Effects of COVID-19 on Mental Health Support Forums
University of Michigan（密歇根大学）
COVID-19大流行与之前的许多疾病爆发一样，可能会对心理健康产生深远影响。了解其影响可以为减轻负面后果的战略提供信息。在这项工作中，我们通过研究Reddit上心理健康支持社区的讨论，寻求更好地了解COVID-19对心理健康的影响。首先，我们量化每个社区或子Reddit中COVID-19的讨论率，以了解对疫情的关注程度。接下来，我们检查活动量，以确定寻求在线心理健康支持的人数是否增加。最后，我们分析了COVID-19如何影响每个子Reddit中的语言使用和讨论主题。
2020-09-08 cs.CL cs.SI
Quantifying language changes surrounding mental health on Twitter
University of Vermont（佛蒙特大学）
据认为，全球每年约有10%的人口受到心理健康挑战的困扰，许多人由于耻辱和获得服务的机会有限而得不到治疗。在这里，我们通过从自2012年以来大约10%的英语推文的数据流中解析的1-，2-和3-grams来探索与心理健康相关的单词和短语的趋势。我们研究了心理健康语言的时间动态，发现“心理健康”一词的受欢迎程度在2012年至2018年间增加了近两个数量级。我们观察到，由于心理健康意识运动，以及对大规模枪击事件、名人自杀死亡和描绘自杀的流行虚构故事的不可预测的反应，“心理健康”的提及每年都会出现激增。我们发现，包含“心理健康”的信息的积极性水平，虽然在整个成长期保持稳定，但最近有所下降。最后，我们使用原始推文转发的比率来量化由于社会放大而出现的心理健康语言的比例。自2015年以来，由于转推，提到心理健康的次数越来越多，这表明与Twitter上讨论心理健康相关的耻辱感随着时间的推移而减少。
2021-06-02 cs.CL cs.SI physics.soc-ph
ProMind-LLM: Proactive Mental Health Care via Causal Reasoning with Sensor Data
California Institute of Technology（加州理工学院）；UCLA（加州大学洛杉矶分校）；National University of Singapore（新加坡国立大学）；Hangzhou Dianzi University（杭州电子科技大学）；Fudan University（复旦大学）
针对现有基于主观文本的大语言模型心理健康评估易失真、不可靠的问题，提出融合客观行为数据与主观记录、包含领域预训练、自精炼和因果思维链的ProMind-LLM，在两个真实数据集上性能显著优于通用LLM。
2025-05-20 cs.AI cs.CL
Hashtag Healthcare: From Tweets to Mental Health Journals Using Deep Transfer Learning
University of Florida（佛罗里达大学）；TAO Connect, Inc.（TAO Connect公司）
随着社交媒体平台的普及度持续上升，越来越多的人际交流和自我表达发生在网上。最近的研究主要集中在挖掘社交媒体上的公众用户对外部实体的意见，如产品评论或对政治新闻的看法。然而，很少有人关注从心理健康的角度来分析用户的内化思想和情绪。在本文中，我们量化了在线认知行为治疗中使用的公共推文和私人心理健康期刊之间的语义差异。我们将使用深度迁移学习技术来分析这两个领域之间的语义差距。我们表明，对于情绪效价预测的任务，社交媒体可以成功地利用来创建更准确，更强大和个性化的心理健康模型。我们的研究结果表明，公共和私人自我表达之间的语义差距很小，利用丰富的可用社交媒体是克服心理健康数据样本量小的一种方法，这些数据通常受到可用性和隐私问题的限制。
2017-08-04 cs.CL cs.CY
Team MKC at CLPsych 2026: Capturing and Characterizing Mental Health Changes through Social Media Timeline Dynamics
Seoul National University（首尔大学）
本文提出基于大语言模型的流水线，通过分析用户按时间排序的帖子，实现帖子级评估和用户级时间建模，以支持心理健康的早期检测和持续监测。
2026-07-01 cs.AI cs.CL
Measuring Mental Health Variables in Computational Research: Toward Validated, Dimensional, and Transdiagnostic Approaches
Stanford University（斯坦福大学）
本文指出计算精神健康研究常使用不当测量，提出采用经过验证、维度性和跨诊断的测量方法，以提升研究有效性并给出实践建议。
2025-04-04 cs.CL cs.HC
Can Artificial Intelligence Support Healthcare and Mental Health Through Early Cyberbullying Detection ? The Impact of Emotion-Aware AI on Proactive Online Safety
Faculty of Computer Science, University of New Brunswick（新不伦瑞克大学计算机科学学院）；Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院）
本文提出CareGuard框架，结合零样本语义标注与微调Transformer模型及情感感知过滤，实现高效准确的早期网络欺凌检测，以支持心理健康保护和主动在线安全。
2026-09-10 cs.AI cs.CL
Building Multilingual Datasets for Predicting Mental Health Severity through LLMs: Prospects and Challenges
University of Ioannina（约阿尼纳大学）；Universiteit Gent（根特大学）；Athens University of Economics and Business（雅典经济与商业大学）；Archimedes/AthenaRC（阿基米德/雅典娜研究中心）
本文提出通过多语言数据集评估LLMs在心理健康严重程度预测中的性能，揭示了多语言环境下模型表现的差异及潜在风险。
2026-10-14 cs.CL cs.LG
The Effect of Moderation on Online Mental Health Conversations
University of Washington（华盛顿大学）
由于高昂的费用和心理健康专业人员的短缺，许多与心理健康问题作斗争的人无法获得足够的护理，导致全球心理健康危机。在线心理健康社区可以通过提供可扩展的，易于访问的替代治疗师或支持团体的面对面会议来帮助缓解这一危机。然而，在网上寻求情感或心理支持的人可能特别容易受到在线讨论中有时发生的反社会行为的影响。适度可以提高在线话语质量，但我们对其对在线心理健康对话的影响缺乏了解。在这项工作中，我们利用了一个自然实验，从7,000个在线心理健康对话中收集了20万条信息，以评估适度对在线心理健康讨论的影响。我们发现，参与小组心理健康讨论导致心理观点的改善，这些改善在有节制的谈话中更大。主持人的存在增加了用户的参与度，鼓励用户更坦率地讨论负面情绪，并大大减少了聊天参与者之间的不良行为。适度还鼓励加强语言协调，这表明建立了信任。此外，在谈话中保持活跃的主持人在保持谈话主题方面特别成功。我们的研究结果表明，适度可以作为一个有价值的工具，以提高在线心理健康对话的有效性和安全性。基于这些发现，我们讨论了设计有效的心理健康支持在线空间的影响和权衡。
2021-04-22 cs.CL cs.CY cs.SI
Detecting Emotion Drift in Mental Health Text Using Pre-Trained Transformers
Author（作者）
本研究利用预训练变换器模型检测心理健康文本中的情绪变化，通过分析句子层面的情感来识别情绪漂移模式。
2025-12-15 cs.AI cs.CL
The opportunities and risks of large language models in mental health
Google（谷歌公司）
本文综述了大型语言模型在心理健康教育、评估和干预中的应用机遇，同时分析了相关风险，强调负责任开发、微调、公平性与伦理规范的重要性，以最大化其对全球心理健康的积极影响。
2024-08-01 cs.AI cs.CL cs.CY
Mitigating Hallucinations Using Ensemble of Knowledge Graph and Vector Store in Large Language Models to Enhance Mental Health Support
National University of Sciences and Technology（国家科技大学）；King Faisal University（费萨尔国王大学）；Sejong University（世宗大学）
本研究探讨大型语言模型在心理健康领域的幻觉问题，通过分析其产生机制并提出针对性干预策略，构建更稳健的框架以提升模型在心理治疗与咨询中的可靠性与安全性。
2024-10-06 cs.AI cs.CL
Temporal Mental Health Dynamics on Social Media
Queen Mary University of London（伦敦玛丽女王大学）；Jožef Stefan Institute（约瑟夫·斯特凡研究所）
我们描述了一组实验，建立一个时间的心理健康动力学系统。我们利用现有方法从社交媒体平台进行远程心理健康数据采掘监督，并在全球COVID-19疫情期间部署该系统作为案例研究。尽管这项任务具有挑战性，但我们取得了令人鼓舞的结果，无论是对全球大流行的显性研究，还是对文献支持的全球现象圣诞节抑郁症的隐性研究。我们提出了一种方法，提供洞察时间的心理健康动态用于战略决策。
2020-09-02 cs.CL cs.IR cs.SI
Zero-shot Explainable Mental Health Analysis on Social Media by Incorporating Mental Scales
South China University of Technology（华南理工大学）
针对传统判别式和现有生成式方法在可解释性与可靠性上的不足，提出结合心理量表的心理分析（MAIMS）零样本方法，通过患者填表与心理学家解读两步生成严谨解释，性能优于其他零样本方法。
2024-03-15 cs.AI cs.CL
Evaluation of ChatGPT for NLP-based Mental Health Applications
大语言模型（LLM）在几个自然语言理解任务中取得了成功，并可能与基于自然语言处理（NLP）的心理健康应用研究相关。在这项工作中，我们报告了基于LLM的ChatGPT（具有gpt-3.5-turbo后端）在三个基于文本的心理健康分类任务中的性能：压力检测（2类分类），抑郁检测（2类分类）和自杀检测（5类分类）。我们从公共数据集中获得了三个分类任务的注释社交媒体帖子。然后ChatGPT API对社交媒体帖子进行分类，并输入分类提示。我们获得的F1分数为0.73，0.86，0.37压力检测，抑郁检测，自杀倾向检测，分别。一个总是预测优势类的基线模型导致F1得分为0.35，0.60和0.19。使用ChatGPT获得的zero-shot分类精度表明语言模型在心理健康分类任务中的潜在用途。
2023-03-28 cs.AI cs.CL
A Dual-Prompting for Interpretable Mental Health Language Models
Sungkyunkwan University（成均馆大学）；University of South Florida（南佛罗里达大学）；Chung-Ang University（中央大学）
本文提出双重提示方法，结合专家身份、自杀词典和心理健康专用LLM进行证据提取，并用一致性评估器生成摘要，以提升心理健康LLM的可解释性并辅助临床评估。
2024-02-20 cs.AI cs.CL
FedMentalCare: Towards Privacy-Preserving Fine-Tuned LLMs to Analyze Mental Health Status Using Federated Learning Framework
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
FedMentalCare通过联邦学习与低秩适应技术，在保护隐私的同时微调大语言模型，用于分析心理健康状况，提升心理健康护理的可行性和安全性。
2026-01-24 cs.CL cs.HC cs.LG
Decoding Linguistic Nuances in Mental Health Text Classification Using Expressive Narrative Stories
University of Missouri（密苏里大学）；Texas A&M University-Corpus Christi（德州农工大学科珀斯克里斯蒂分校）
本研究利用Reddit数据评估BERT、MentalBERT等模型在表达性叙事故事心理健康文本分类中的表现，发现BERT对主题词缺失敏感性低且能保持句序打乱时的准确率，更具实际应用优势。
2024-12-20 cs.CL cs.LG
Identifying physical health comorbidities in a cohort of individuals with severe mental illness: An application of SemEHR
NIHR Biomedical Research Centre at South London and Maudsley NHS Foundation Trust and King’s College London（英国国立卫生研究院生物医学研究中心（位于南伦敦和莫兹利 NHS 基金会信托及伦敦国王学院））；University of Edinburgh（爱丁堡大学）；University College London（伦敦大学学院）
精神卫生服务中的多模态研究需要来自身体健康状况的数据，而这些数据传统上仅限于精神卫生保健电子健康记录。在这项研究中，我们的目的是使用SemEHR从临床记录中提取身体健康状况的数据。数据来自伦敦南部和莫兹利生物医学研究中心（SLaM BRC）的临床记录交互式搜索（CRIS）系统，该队列由2007年至2018年期间接受严重精神疾病初步或次要诊断的所有个人组成。三对注释者注释了2403个文档，平均科恩Kappa值为0.757。结果表明，不同疾病领域的NLP表现不同（F1 0.601 - 0.954），这表明不同疾病组的语言模式或术语对相同的NLP任务带来了不同的技术挑战。
2020-02-07 cs.CL cs.LG
Examining the Mental Health Impact of Misinformation on Social Media Using a Hybrid Transformer-Based Approach
提出 RoBERTa-LSTM 混合 Transformer 方法，用于错误信息检测、心理健康影响评估及相关障碍分类，并通过准确率和卡方检验证实错误信息与心理恶化相关。
2025-06-07 cs.AI cs.CL
Quantifying Mental Health from Social Media with Neural User Embeddings
INESC-ID Lisboa（里斯本INESC-ID研究所）；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）；Qntfy（Qntfy公司）；Universidade Europeia（欧洲大学）；Northeastern University（东北大学）
精神疾病对全世界很大一部分人口产生不利影响。然而，传统上用于估计和描述精神健康状况流行程度的方法既耗时又昂贵。因此，关于精神健康状况流行率的现有最佳估计数往往已经过时多年。自动化的方法，以补充这些调查方法与广泛的，汇总的信息来自社会媒体内容提供了一个潜在的手段，近实时估计规模。反过来，这些可以为支持、评估和反复改进公共卫生方案和干预措施提供有利条件。我们提出了一个新的模型，自动化的心理健康状态量化，结合用户嵌入。这建立在最近的工作探索表示学习方法，诱导嵌入利用社会媒体后的历史。这样的嵌入捕捉个体的潜在特征（例如，政治倾向），并编码一个软概念的同质性。在这篇论文中，我们调查了从twitter历史记录中学习到的用户嵌入是否编码了与心理健康状态相关的信息。为此，我们估计用户嵌入一组已知的受抑郁症和创伤后应激障碍（PTSD），并为一组人口统计学匹配的“控制”用户。然后，我们评估了这些嵌入：（i）它们捕获与心理健康状况有关的同性恋关系的能力;以及（ii）基于这些特征的下游心理健康预测模型的性能。我们的实验结果表明，用户嵌入捕捉用户之间的相似性，心理状况，并预测心理健康。
2017-04-30 cs.AI cs.CL cs.SI
