基于社交媒体动态情感分析的三层联合记忆网络在线持续学习自杀风险评估模型研究

针对传统自杀风险评估方法时效性差、覆盖范围有限的问题，研究人员创新性地提出基于社交媒体行为的三层联合记忆网络(3MN)模型。该研究通过短/长期个人记忆与全局记忆的协同机制，实现了对95名自杀倾向用户情感动态的实时追踪，最终达到96%的准确率(F1-score 98%)，为心理健康监测提供了可扩展的在线学习范式。

　　

在心理健康领域，自杀已成为全球性公共卫生危机，每年导致超过70万人死亡。传统基于问卷调查的临床评估方法存在社会偏见、响应率低等局限，而社交媒体为观察用户心理状态提供了新窗口。然而现有机器学习模型多采用静态批处理模式，难以适应社交媒体的流式数据特征，且无法捕捉用户情感动态演变规律。

为突破这一技术瓶颈，研究人员开发了创新的三层联合记忆网络(3MN)架构。该模型受人类记忆认知理论启发，包含短时个人记忆(处理周粒度帖子)、长期个人记忆(记录个体情感-风险关联)和长期全局记忆(整合群体模式)三个功能层。通过26周滑动窗口机制，系统能在保留历史知识的同时增量学习新数据，并融合用户特征如完美主义倾向、思维反刍等个性化指标。

关键技术包括：1)基于Sina Weibo平台构建含95对用户的标注数据集；2)七维情感特征(喜悦、愤怒等)动态提取；3)注意力机制加权周特征；4)记忆网络参数联合优化。实验显示模型准确率达96%，较传统批处理高1%，其中长期个人记忆贡献度达63%，证实个性化追踪的重要性。

研究结果方面：

1. 模型性能：在12,841个时间窗口测试中，3MN的准确率标准差仅7%，证明其稳定性。引入个人特征使准确率提升2%。
2. 记忆机制分析：消融实验显示移除长期个人记忆导致性能下降13%，显著高于全局记忆的5%降幅。
3. 时序敏感性：窗口尺寸26周时F1-score最优，短于12周会丢失长期模式，长于52周引入噪声。

该研究的突破性在于：首次实现社交媒体数据的自杀风险连续评估框架，其记忆网络设计有效解决了灾难性遗忘问题。通过将临床量表C-SSRS与AI技术结合，不仅验证了情感动态与自杀风险的强相关性，更建立了可解释的风险演变图谱。尽管存在数据偏差等局限(如仅覆盖微博用户)，但为抑郁症、焦虑症等精神障碍的数字化监测提供了方法论范式。论文发表于《Artificial Intelligence in Medicine》，获得国家自然科学基金(62306039)等支持，数据集已开源供后续研究。