Protective Factor-Aware Dynamic Influence Learning for Suicide Risk Prediction on Social Media
作者: Jun Li, Xiangmeng Wang, Haoyang Li, Yifei Yan, Hong Va Leong, Ling Feng, Nancy Xiaonan Yu, Qing Li
分类: cs.CL
发布日期: 2025-07-14
💡 一句话要点
提出保护因素感知的动态影响学习方法，用于社交媒体上的自杀风险预测。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自杀风险预测 社交媒体分析 保护因素 动态影响学习 心理健康 风险因素 自然语言处理
📋 核心要点
- 现有自杀风险预测模型缺乏对个体心理状态随时间变化的捕捉能力，且忽略了保护因素的重要作用。
- 提出一种动态因素影响学习方法，联合学习风险因素和保护因素对自杀风险转变的动态影响。
- 实验结果表明，该模型在多个数据集上显著优于现有模型，并提供可解释的权重，辅助临床干预。
📝 摘要（中文）
自杀是一个需要紧急关注的全球性健康问题。虽然先前的工作揭示了检测社交媒体上当前自杀风险的宝贵见解，但很少有研究致力于开发能够预测随时间推移的后续自杀风险的模型，这限制了它们捕捉个体心理状态快速变化的能力。此外，现有的工作忽略了在自杀风险预测中起关键作用的保护因素，而主要关注风险因素。社会支持和应对策略等保护因素可以通过调节风险因素的影响来降低自杀风险。因此，本研究提出了一个新颖的框架，通过联合学习风险因素和保护因素对用户自杀风险转变的动态影响来预测后续自杀风险。我们提出了一个新的保护因素感知数据集，该数据集由12年的Reddit帖子以及自杀风险以及风险和保护因素的综合注释构建而成。我们还引入了一种动态因素影响学习方法，该方法可以捕获风险和保护因素对自杀风险转变的不同影响，认识到自杀风险会根据已建立的心理学理论随时间波动。我们全面的实验表明，所提出的模型在三个数据集上显着优于最先进的模型和大型语言模型。此外，所提出的动态因素影响学习提供了可解释的权重，有助于临床医生更好地理解自杀模式，并实现更有针对性的干预策略。
🔬 方法详解
问题定义：论文旨在解决社交媒体上自杀风险预测的问题，现有方法的痛点在于无法有效预测随时间推移的后续自杀风险，并且忽略了保护因素（如社会支持）在降低自杀风险中的作用。现有方法主要关注风险因素，而忽略了风险和保护因素的动态影响。
核心思路：论文的核心思路是建立一个保护因素感知的动态影响学习框架，通过联合学习风险因素和保护因素对用户自杀风险转变的动态影响，从而更准确地预测后续自杀风险。该方法考虑到自杀风险随时间波动，并根据心理学理论建模风险和保护因素的动态影响。
技术框架：整体框架包含以下几个主要部分：1) 构建包含风险因素、保护因素和自杀风险标注的Reddit数据集；2) 设计动态因素影响学习模型，该模型能够学习风险和保护因素随时间变化的动态影响权重；3) 使用学习到的权重预测用户的自杀风险转变。框架的核心是动态因素影响学习模型，它能够捕获风险和保护因素对自杀风险转变的不同影响。
关键创新：论文的关键创新在于：1) 提出了保护因素感知的自杀风险预测框架，弥补了现有方法忽略保护因素的不足；2) 提出了动态因素影响学习方法，能够捕获风险和保护因素对自杀风险转变的动态影响，更符合实际情况；3) 构建了一个包含风险因素、保护因素和自杀风险标注的大规模Reddit数据集。
关键设计：动态因素影响学习模型的设计是关键。具体的技术细节包括：如何选择和提取风险因素和保护因素的特征；如何设计网络结构来学习动态影响权重；如何定义损失函数来优化模型，例如，可以考虑使用交叉熵损失函数来衡量预测的自杀风险与真实标签之间的差异。此外，时间窗口的选择和影响权重的计算方式也是重要的设计细节。论文中具体参数设置未知。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该模型在三个数据集上显著优于最先进的模型和大型语言模型。具体性能数据未知，但论文强调了模型在预测后续自杀风险和提供可解释权重方面的优势。该模型能够有效捕捉风险和保护因素的动态影响，从而提高预测准确性。
🎯 应用场景
该研究成果可应用于在线心理健康干预平台，通过分析社交媒体数据，预测用户的自杀风险，并根据风险和保护因素的动态变化，提供个性化的干预措施。该研究有助于及早发现潜在的自杀风险，为临床医生提供更有效的干预策略，从而降低自杀率。
📄 摘要（原文）
Suicide is a critical global health issue that requires urgent attention. Even though prior work has revealed valuable insights into detecting current suicide risk on social media, little attention has been paid to developing models that can predict subsequent suicide risk over time, limiting their ability to capture rapid fluctuations in individuals' mental state transitions. In addition, existing work ignores protective factors that play a crucial role in suicide risk prediction, focusing predominantly on risk factors alone. Protective factors such as social support and coping strategies can mitigate suicide risk by moderating the impact of risk factors. Therefore, this study proposes a novel framework for predicting subsequent suicide risk by jointly learning the dynamic influence of both risk factors and protective factors on users' suicide risk transitions. We propose a novel Protective Factor-Aware Dataset, which is built from 12 years of Reddit posts along with comprehensive annotations of suicide risk and both risk and protective factors. We also introduce a Dynamic Factors Influence Learning approach that captures the varying impact of risk and protective factors on suicide risk transitions, recognizing that suicide risk fluctuates over time according to established psychological theories. Our thorough experiments demonstrate that the proposed model significantly outperforms state-of-the-art models and large language models across three datasets. In addition, the proposed Dynamic Factors Influence Learning provides interpretable weights, helping clinicians better understand suicidal patterns and enabling more targeted intervention strategies.