CLPsych 2026
PulseAugur coverage of CLPsych 2026 — every cluster mentioning CLPsych 2026 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
CLPsych 2026 上使用 NLP 和 LLM 进行社交媒体心理健康分析
psytechlab 的研究人员结合使用了自然语言处理（NLP）技术，包括长短期记忆（LSTM）和基于 BERT 的模型，以及大型语言模型（LLM），来分析社交媒体文本中的心理健康状态。他们的工作在 CLPsych 2026 上发表，重点关注自我状态和福祉分析及摘要。该方法在摘要的一致性和矛盾性方面取得了良好结果，有助于开发改进的心理健康支持系统。
-
CLPsych 2026上展示用于心理健康分析的LLM管道
一篇提交至arXiv的研究论文详细介绍了一个新的人工智能（LLM）管道，该管道旨在通过社交媒体时间线动态分析心理健康变化。该管道由Team MKC为CLPsych 2026共享任务开发，旨在为心理健康的帖子级和用户级时间建模提供统一框架。这项工作利用了大型语言模型在心理健康人工智能应用方面的进展，以满足对可扩展计算方法在早期检测和持续监测方面日益增长的需求。
-
CUNY团队使用LLM进行心理健康变化分析
CUNY的研究人员为CLPsych 2026共享任务开发了一种使用社交媒体数据分析心理健康变化的管道方法。他们的系统结合了来自多个开源大语言模型的上下文学习，用于对自我状态进行分类和预测时间线变化。该管道还包括一个摘要组件，该组件利用上游预测来描述情绪随时间的变化动态，并在多个任务类别中获得最高排名。
-
DreamerNLplus 从社交媒体中模拟心理健康动态
研究人员开发了DreamerNLplus，这是一个混合系统，旨在为CLPsych 2026共享任务从社交媒体数据中模拟心理健康动态。该框架集成了基于LLM的数据增强、DeBERTa分类和用于状态预测的Random Forest回归，并使用Llama 3.1模型进行时间变化检测。DreamerNLplus在序列级摘要方面取得了优异的成绩，在一个子任务中排名第一，在另一个子任务中排名第三，展示了其识别心理变化模式的能力。