《Frontiers in Artificial Intelligence》:Computational methods for the identification of suicidal ideation: a systematic review
引言:自杀是全球青年人群的主要死亡原因之一,在多国已被列为公共卫生问题,2019冠状病毒病(COVID-19)大流行进一步加剧了这一趋势,因此降低易感人群的自杀风险增长至关重要。自然语言处理(Natural Language Processing, NLP)可提供多种工具用于分析文本,预测自杀意念的存在。本研究旨在通过系统文献综述,提取用于识别自然语言中自杀意念的计算技术。
方法:研究采用PRISMA 2020方法,分为九个阶段,制定了三项纳入标准与两项排除标准用于研究筛选。检索覆盖Scopus、IEEE Xplore、ACM Digital Library、Springer、Web of Science等高水平学术数据库。采用AMSTAR 2工具评估偏倚风险,识别出的潜在偏倚包括语言与文化多样性不足、数据以社交网络来源为主。采用叙述性合成法对研究结果进行定性分析与比较。
结果:最终纳入25项关于自然语言文本自杀意念检测计算方法的实证研究。所用技术以基于Transformer的模型(如BERT)及混合方法为主,后者将此类架构与卷积神经网络(Convolutional Neural Network, CNN)、长短期记忆网络(Long Short-Term Memory, LSTM)等神经网络结合;层级注意力机制也是常见设计。部分研究采用词频-逆文档频率(Term Frequency-Inverse Document Frequency, TF-IDF)特征提取、预训练词嵌入等辅助技术以提升模型性能。
讨论:现有证据存在局限性,包括语言与文化多样性不足、数据来源集中于社交网络。结果表明计算技术在支持自杀意念早期预防策略方面具备较高潜力,但需拓展语言语境多样性,并提升医生等非专业群体对模型的理解。
1 引言
自杀是全球范围内的重大公共卫生问题,每年导致大量死亡。2021年全球自杀死亡人数超过4.8万,2022年增至4.9万,两年间增幅达2.6%。13至30岁青年是尤其脆弱的群体,该阶段的人生重大变化使其面临更高的心理健康风险,包括自杀风险;社会经济因素与家庭互动也会对该群体产生影响。男性自杀率约为女性的4倍,自杀问题的复杂性体现在其可影响不同年龄与背景的人群,生活困境可能使个体将自杀视为唯一出路。
多数自杀行为存在冲动性成分,也有个体会经历情绪持续下滑的过程,若能通过早期预防策略介入,可为处于风险中的个体提供及时帮助与支持,阻断自杀想法的实施。技术进步推动了大规模文本处理与分析工具的发展,催生了从自然语言中识别预警信号的创新技术,有助于在自伤行为发生前完成干预。自然语言处理技术可分析结构化数据库、半结构化网页与非结构化自由文本(含社交网络内容、医疗记录、在线论坛与博客、短信、电子邮件、数字个人日记等)中的自杀意念,可作为更广泛自杀预防与心理健康促进策略的核心组成部分。相较于其他早期干预形式,基于自然语言处理的计算方法具备成本优势,可显著降低响应时间。
将自然语言处理技术应用于自然语言中自杀意念的检测,既带来挑战也提供机遇。已有研究表明,基于自然语言处理的模型在针对青年与成人的短信、社交媒体内容测试中取得了较高的预测价值,显示出在非临床场景中快速识别自杀风险个体的潜力。部分研究报道,受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUROC)可达98.6%,自杀企图识别AUROC可达97.3%,验证了模型的高准确性。同时,社交网络作为社会互动与个人表达平台的重要性,以及自杀意念的持续性,凸显了研发先进自然语言处理技术的必要性。提取自然语言中自杀意念是具有重要研究价值的领域,本系统综述旨在明确科学文献中用于提取自然语言中自杀意念的计算技术,评估其在不同场景下的表现,识别自杀预防技术的发展方向,核心研究问题为:科学文献中采用了哪些计算技术从自然语言文本中提取自杀意念?全文结构如下:第2节介绍综述方法,第3节展示纳入与排除标准筛选后的结果,第4节讨论主要发现,第5节给出结论。
2 方法
本研究采用系统综述首选报告项目(Preferred Reporting Items for Systematic Reviews and Meta-Analyses, PRISMA)2020方法,该方法因能保证信息结构化质量、提升研究规范性而被学术界广泛接受,具体实施分为多个阶段。
2.1 纳入与排除标准
为获取与自杀意念分析检测相关的优质研究,制定纳入标准如下:(i)研究内容需围绕自杀意念分析检测的计算技术与方法;(ii)发表语言为英语或西班牙语;(iii)入选文章需发表于索引学术期刊以确保质量与相关性。排除标准为:(i)剔除不完整文章,因其无法提供充足信息以评估质量与可复现性;(ii)不纳入2018年1月1日前发表的文章,该时间限制可确保仅收录与心理健康领域语言建模最新进展一致的NLP方法,符合PRISMA 2020对明确纳入标准的要求,也与《Cochrane手册》认可的时间限制与信息可得性作为科学依据的原则一致。
2.2 信息来源
选择计算机科学领域认可度高、声誉好的数据库,参考Google Scholar工程期刊排名(基于H5指数)与Scimago期刊排名(基于工程领域影响力指标SJR),最终纳入Scopus、IEEE Xplore、ACM Digital Library、Springer、Web of Science,同时参考相关方法论研究的推荐。
2.3 检索策略
设计统一检索式并在所有选定数据库中执行,检索式涵盖自杀意念相关术语与计算主题术语,同时应用语言与时间过滤器,仅纳入2018年1月1日后发表的英语或西班牙语文章,以保证信息的时效性。
2.4 筛选流程
制定数据提取表以记录纳入研究的关键变量,由两名研究人员独立开展文献筛选,分歧通过讨论解决,必要时咨询第三名研究人员。所有被排除的研究均记录排除原因以保证透明度。
2.5 数据收集流程
遵循严谨有序的流程:首先使用数据收集表记录每项研究的关键变量与相关信息,支撑系统性分析;随后逐项完成数据提取。
2.6 数据条目
从每项纳入研究中提取并记录以下关键信息:发表年份、作者姓名、分析文本类型、数据来源、样本量、使用的NLP技术与算法、性能指标、模型检测自杀意念的结果。
2.7 研究偏倚风险评估
由两名研究人员基于预设质量标准独立评估每项研究的偏倚风险,评审分歧通过讨论达成共识,具体工具与分类结果在结果部分报告。
2.8 合成方法
采用预设变量与纳入标准的筛选表整理结果,按统一格式组织内容,遵循PRISMA 2020建议采用图表呈现结果,涵盖准确率等核心指标。同时开展亚组分析以识别计算方法的潜在差异。由于纳入研究在数据源、标注方案、自杀意念操作定义、计算模型类型、评估指标等方面存在显著异质性,不符合《Cochrane手册》要求的参与者、干预措施、结局指标同质性前提,无法进行定量meta分析以避免结果效度受损。遵循PRISMA 2020建议与SWiM报告指南,采用叙述性合成法比较模式、识别方法学缺口、提炼共同趋势,避免对非同质、不可直接比较的指标进行统计合并。
2.9 报告偏倚评估
研究筛选存在潜在偏倚,尤其体现在数据源及其来源方面:虽严格分析索引学术数据库,但可能遗漏灰色文献或其他多元来源;且多数出版物为英语,数据集来自Reddit、X(原Twitter)等数字平台,可能限制结果在其他社会文化语境中的适用性。
3 结果
3.1 研究筛选
筛选过程分阶段严格执行预设标准:研究对象需为自杀意念分析检测的計算技术,发表于索引学术期刊,语言为英语或西班牙语。初始检索共获得374篇文献,去重后剩余313篇;两名评审员独立阅读标题与摘要,排除201篇不符合学术出版标准的不完整文献;对剩余112篇文献的全文进行独立评估,分歧通过讨论或咨询第三评审员解决;最终35篇文献符合纳入标准,优先保留最新成果,剔除10篇发表时间较早的文献,最终纳入25篇进行分析。整个流程依据PRISMA 2020流程图记录。
3.2 研究特征
共纳入25项研究,均分析自然语言处理与机器学习技术在自杀意念检测中的应用。地理分布为:亚洲11项、美洲7项、欧洲5项、非洲2项。数据源以社交媒体为主(主要为Reddit与X),其余包括遗书、临床文本、语音数据或多源混合数据。样本量差异显著,最小数据集约500条,最大超23万条。模型性能指标涵盖精确率、召回率、F1值、准确率,差异反映了各研究在方法、数据与目标上的不同。
自杀意念检测计算与自然语言处理研究的地理分布显示:印度占比30%,美国与英国各占15%,加拿大、法国、沙特阿拉伯、孟加拉国、马来西亚、意大利、土耳其及跨国合作各占5%,体现了研究在全球的分布特征,也反映出高技术活跃度与心理健康关注地区的集中趋势。
3.2.1 所用技术
长短期记忆网络可有效建模文本序列的长距离依赖,在心理健康相关文本研究中应用广泛。有研究验证了不同规模层级循环神经网络在遗书分类中的有效性,表明该架构能识别与自杀概念相关的重要语言模式,适用于自杀意念早期检测。
双向长短期记忆网络(Bidirectional LSTM, Bi-LSTM)可同时利用文本前后向语境优化表征,有研究将其与注意力机制结合,识别X平台帖子的风险关键词,采用Word2Vec嵌入时F1值达95%,证明注意力机制可通过高亮语义词辅助模型决策,且Bi-LSTM优于传统单向LSTM。
卷积神经网络在社交媒体自杀意念识别中表现良好,有研究开发机器学习模型识别Reddit阿片类药物使用障碍用户的自杀意念迹象,卷积神经网络在自杀风险文本分类中F1值达96.6%,验证了神经网络在数字社区语言自动化分析中的价值。
有研究提出双向门控循环单元(Bidirectional Gated Recurrent Unit, BiGRU)与卷积神经网络的混合方法,通过分析多源数据捕捉社交媒体文本的复杂模式,提升了分类准确率。
基于双向编码器表征变换器(Bidirectional Encoder Representations from Transformers, BERT)的模型表现出优异性能:有研究针对泰语文本优化增强版BERT,构建含2400条人工标注推文的数据集,自杀意念预测F1值达93%,情绪分类F1值达88%,并发现COVID-19大流行期间自杀相关帖子增长40.97%;另有研究将基于变换器的深度神经网络应用于不同数据集,在Suicide Detection数据集上F1值达97%,在自杀表达评估与分析语料库(Corpus for the Evaluation and Analysis of Suicidal Expressions, CEASEv2.0)上F1值达75%,提出可辅助心理健康从业者快速识别风险个体的自动化系统。
变换器模型被广泛用于解读抑郁与自杀行为,有研究提出基于变换器的方法分析社交媒体行为模式,结合人工智能技术提升模型决策可解释性;另有研究将动态上下文掩码与卷积神经网络结合,检测社交媒体与遗书中的自杀威胁,在自杀意念严重程度评估中取得高准确率;还有研究融合鲁棒优化双向编码器表征变换器(Robustly Optimized BERT Pretraining Approach, RoBERTa)与Bi-LSTM,验证其在英语与阿拉伯语社交媒体抑郁迹象识别中的有效性。
集成方法通过组合多个模型提升预测准确性与鲁棒性:有研究整合随机森林、梯度提升、支持向量机、k近邻、朴素贝叶斯与神经网络,自杀风险预测准确率达91%;有研究将BERT与卷积神经网络融合,结合BERT的语境捕捉能力与卷积神经网络的关键模式检测效率;有研究提出时序卷积网络(Temporal Convolutional Network, TCN)与自注意力的混合架构,优化社交媒体自杀意念检测中的深层语义关系识别;另有研究结合长短期记忆网络、卷积神经网络与注意力机制,通过捕捉语境依赖、赋予关键术语更高权重,实现更准确的自杀意念内容分类。
图神经网络(Graph Neural Network, GNN)被用于分析自杀意念相关文本的语义关系:有研究利用GNN分类X平台的含自杀内容帖子,识别文本模式;另有研究采用图注意力网络(Graph Attention Network, GAT)捕捉词与语境间的有意义关联,提升文本分类与自杀意念检测效果。
生成对抗网络(Generative Adversarial Network, GAN)常用于平衡自杀意念检测数据集,改善数据表征并降低分类模型偏差,有研究利用GAN生成高质量合成数据,优化社交媒体自杀帖子检测性能,提升机器学习模型表现。
大语言模型(Large Language Model, LLM)在在线文本心理健康状态预测中展现价值:有研究提出Mental-LLM,通过指令微调显著提升心理健康问题预测准确性,优于零样本与少样本学习方法;另有研究结合生成式人工智能模型与心理学研究提取的社会因素,利用合成数据提升自杀意念检测的数据多样性与代表性。
除深度学习架构外,部分研究采用传统机器学习方法:有研究实时识别X平台的含自杀内容帖子,结合自然语言处理与传统分类模型,检测用户语言行为突变,为社交媒体自杀预防提供工具;另有研究分析X平台帖子,证明融合文本、图像、交互数据等多类型信息可显著提升风险信号早期检测效果。
部分研究偏好融合文本、语音分析的多模态混合方法:有研究融合声学与语言学特征,采用机器学习分类器分析美国退伍军人的语音与文本数据以识别自杀意念;有研究提出结合卷积神经网络与长短期记忆网络的混合模型,利用深度学习与词嵌入技术检测自杀意念相关语言模式;另有研究结合卷积神经网络、BiLSTM与Word2Vec、FastText、GloVe等预训练嵌入,通过语义与语境分析分类Reddit自杀帖子;还有研究开发面向大学生的自杀意念快速检测系统,采用VGG模型处理语音、BERT处理文本,通过多模态方法提升风险用户识别准确率,支撑移动端主动响应。
音频模型为数据有限场景下的自杀意念检测提供了替代方案:有研究测试音频模型在四个数据集上的泛化能力,发现跨域适配存在困难,进而提出正弦相似子采样(Sinusoidal Similarity Sub-Sampling, S3)方法,在数据分布变化的场景中取得良好结果,凸显了语音分析的必要性及适配技术的需求。
不同架构的应用分布显示,集成方法与混合模型(多模态、自然语言处理、语音)占比最高,其次为变换器基模型、图神经网络、BERT、其他机器学习方法、大语言模型,Bi-LSTM、长短期记忆网络、BiGRU-卷积神经网络、卷积神经网络、GAN、语音模型的占比较低。
数据源分布显示,Reddit占比65.2%,X占比33.2%,临床数据占1.4%,音频数据占0.2%。
采用准确率、精确率、召回率、F1值四项指标分析不同计算方法的性能:准确率反映总样本中预测正确的比例,精确率反映阳性检测结果中真实自杀意念案例的比例以降低假阳性,召回率反映模型识别所有阳性案例的能力以降低假阴性,F1值为精确率与召回率的调和平均,综合衡量模型表现。不同类别模型的平均指标已通过图表呈现。
3.3 研究偏倚风险
采用AMSTAR 2工具评估纳入研究的偏倚风险,识别方法学优势与不足,将研究分为低、中、高风险。主要偏倚因素包括方法未设盲、数据选择不平衡、数据过滤或筛选标准缺乏合理性说明。例如,部分基于社交媒体数据的研究存在语言偏倚,多数内容为英语,限制了结果对其他文化语境的适用性。尽管存在上述局限,多数研究采用交叉验证、过拟合防控技术、多评审员参与开发评估,整体偏倚风险较低。
3.4 单项研究结果
通过汇总各研究的贡献,便于比较方法、性能指标与技术路径,关键发现的汇总表已整理呈现。
3.5 识别趋势
自杀意念文本检测的计算方法呈现明显趋势:以BERT、GPT为代表的变换器架构凭借深层语境理解能力,在社交媒体帖子检测中准确率可达97.6%,其核心组件注意力机制可有效建模文本语境关系。亚组分析显示,循环神经网络在处理短情感文本时效率突出,融入注意力机制的变换器架构在复杂语义分析中表现更优;结合卷积神经网络、长短期记忆网络与语言规则的混合方法,通过整合互补优势克服单一模型局限,在数据有限或高噪声场景中提供更稳健灵活的解决方案。
除经典方法外,新兴技术展现出较大潜力:生成对抗网络可用于生成自杀意念合成数据,提升数据多样性,缓解语料不足问题;大语言模型(如ChatGPT、Flan-T5)可辅助数据生成与分类任务;图神经网络能更好表征文本内词间关系;语音-文本多模态模型在复杂场景中取得良好结果,尽管指标未达极值,但在语音笔记等复杂数据类型识别中实现了重要突破;集成方法通过组合支持向量机、卷积神经网络、随机森林等不同模型,弥补单一方法缺陷。
3.6 报告偏倚
报告偏倚主要来自索引学术数据库的集中使用,可能遗漏灰色文献,限制文化与语境多样性;数据集以英语为主,影响结果在多语言场景的适用性与推广性;数据高度依赖Reddit、X等平台,这些平台的交流互动模式具有特殊性。不过,数据源选择也考虑了方法学质量与标注数据可得性,且已纳入临床笔记、语音记录等非社交媒体来源,部分研究采用多数据集融合,上述策略在一定程度上缓解了偏倚影响,提升了结果的效度。
4 讨论
4.1 结果综合
系统综述识别出多种高效的自然语言文本自杀意念计算检测方法,涵盖深度学习、大语言模型、集成方法及图神经网络、生成对抗网络、多模态模型等前沿方向。交叉分析显示,不存在在所有场景中均优于其他模型的通用架构,模型表现受数据集规模、语言特征、标注质量、自杀表达显性强弱等因素显著影响:大规模异构数据集更适配变换器架构,小规模受控语料中传统深度学习或混合模型可取得竞争性结果,因此需结合方法学语境解读性能指标,而非仅依据模型类型判断优劣。
深度学习架构(长短期记忆网络、Bi-LSTM、卷积神经网络)具备长距离序列与依赖建模能力,可捕捉复杂语义模式,融入注意力机制后可同时提升模型准确率与可解释性;卷积网络在Reddit等平台表现优异,卷积神经网络-BiGRU混合模型通过融合局部与语境特征进一步优化结果。但这类模型在处理隐性、隐喻性或语境依赖型语言(尤其是短文本)时表现下降,而融入注意力机制或采用混合配置的研究结果更稳定,表明架构改进对缓解标准深度学习模型的局限具有关键作用。
大语言模型(BERT、RoBERTa、GPT)擅长检测自杀意念的显性与隐性线索,其精细语境建模能力可提升模糊文本的风险识别准确率,变换器与Bi-LSTM的混合架构在多语言环境中也表现良好。但大语言模型的有效性高度依赖大规模标注数据集与充足计算资源,可能限制其在低资源或实时临床场景的应用;且其决策过程多为黑箱,可解释性不足,阻碍了其融入对透明度与责任性要求高的心理健康决策流程。
集成方法常报告超过90%的分类指标,但其结果需谨慎解读:多数研究依赖有限数据集、单平台来源,缺乏交叉验证或外部测试等严格验证策略,高数值不代表模型具备强鲁棒性与泛化性,方法学严谨性比指标优化更具核心价值。
图神经网络、生成对抗网络、多模态模型等前沿方向潜力显著:图神经网络可建模复杂语义关系,图注意力网络提升社交媒体数据的自杀意念分类效果;生成对抗网络通过生成人工数据缓解标注数据不足,提升受限信息场景下的模型性能;语音-文本多模态模型在复杂数据类型识别中成效突出。但这些方法也伴随复杂度提升,需要更多计算资源与精细预处理流程,更适合科研或专科临床环境,而非大规模或资源受限场景,体现了性能收益与实践可行性之间的权衡。
本综述的创新点在于:不仅识别当前方法的方法学缺口,还重点分析了大语言模型、生成对抗网络、图神经网络等人工智能前沿技术在自杀意念检测中的应用,不同于以往聚焦单一技术或特定模型族的综述,本合成整合了对这些进展的批判性分析,提供了计算方法的更新视角,及其在现实自杀预防场景中的实践启示。
4.2 局限性
本综述的局限性分为两个层面:一是纳入研究的固有局限,二是综述流程本身的局限。纳入研究的共性局限为数据集语言多样性不足,多数模型基于英语数据训练,限制了其在不同文化与语言语境中的适用性;且大量研究依赖Reddit、X等来源,存在人群与表达偏倚,缺乏多元数据源。这些局限直接影响结果的效度与外推性:基于英语与特定平台数据训练的模型可能学习到非普适的语言或行为模式,导致过拟合、对文化隐性痛苦表达的敏感性下降、在新场景中性能估计虚高。
部分研究存在方法学缺陷,如样本量小、缺乏交叉验证、模型结构描述不清,阻碍了不同方法的对比,降低了结果的可外推性。此外,纳入研究在数据源、计算模型架构、样本量(302至258335条)、评估指标等方面的异质性,使得无法对数据进行定量meta分析。
综述流程层面的局限包括:检索策略制定难度大,需多次调整才能纳入未使用高频关键词的相关研究;相比其他领域,自然语言处理自杀意念自动检测的可获得研究数量较少;数据提取存在困难,因各研究的结果呈现方式不统一。
4.3 启示
本综述的发现对自杀预防相关的技术开发者、心理健康从业者、公共卫生政策制定者均有重要启示。技术层面,变换器架构(尤其是BERT及其变体)在社交媒体分析中准确率可达97.6%,已具备成熟度可集成至早期预警系统;卷积神经网络、长短期记忆网络与注意力机制的混合架构表现更优,提示未来工具开发应优先考虑架构灵活性而非单一模型方案;集成方法指标稳定超过90%,证明多算法组合可有效弥补单一模型局限,尤其适用于语言模糊或情绪复杂的场景。
对心理健康从业者而言,本综述识别的计算方法为延伸临床外的筛查能力提供了可能。但数据源以Reddit(65.2%)与X(33.2%)为主,临床数据仅占1.4%,反映出研究成果与临床应用之间存在关键缺口;从业者需意识到当前模型主要基于社交媒体语言模式训练,与临床访谈语境或患者书面沟通存在显著差异。
研究地理分布上,印度占30%,美国与英国各占15%,提示计算自杀预防工具主要在特定文化与语言框架下开发;数据集几乎均为英语,意味着模型学习的语言标记与表达模式难以推广至其他语言或文化群体,这对非英语地区公共卫生系统既是局限也是本地化模型开发的机遇。
模型可解释性是临床采纳的核心障碍:变换器模型性能优异但决策过程不透明,而临床场景需要明确模型判定某内容为自杀意念指示的原因,以保障恰当干预。可解释人工智能(Explainable AI, XAI)的发展是让这类工具符合心理健康实践问责与透明要求的关键方向。
部署自杀意念检测计算方法还需考量伦理问题:在无用户直接交互的情况下分析社交媒体帖子,涉及隐私、知情同意、假阳性与假阴性后果等问题。假阳性可能导致不必要干预或污名化,假阴性则可能遗漏真实危机个体;部分模型召回率超过93%,体现出对敏感性的优先考量,这在自杀领域的漏检后果极严重的背景下具有合理性。
4.4 未来工作
基于现有证据,未来研究应在模型创新的同时优先保障方法学严谨性。首要需求是开多语言、文化多样的数据集,解决当前模型难以服务全球人口的问题。需拓展文本、语音、图像等多源数据融合,捕捉人类沟通的多模态特性,多模态模型已展现出良好进展,进一步开发可实现更全面的风险评估。
提升模型可解释性是临床采纳的核心前提,需心理健康专家、语言学家、技术开发者的跨学科合作,开发兼具技术有效性与现实医疗场景可落地性的解决方案。此外,利用大语言模型生成合成数据是兼顾数据稀缺与伦理标准的可行路径,可解释模型的持续发展也将进一步缩小计算性能与临床效用之间的差距。
5 结论
本文采用PRISMA 2020方法开展系统综述,分析25项基于计算方法的自杀意念检测研究。结果显示该领域已取得重要进展,尤其是BERT、RoBERTa、GPT等大语言模型与卷积神经网络、长短期记忆网络、BiGRU等架构的结合应用,在准确率、精确率、召回率、F1值等指标上表现优异,证明其在非临床场景中检测自杀意念的潜力。
计算模型用于自杀意念检测的核心伦理维度需得到重视:个人数据的收集与分析涉及隐私、知情同意、结果负责任使用等敏感议题,尤其在无用户直接交互的社交媒体帖子分析中更为突出,保障被评估个体的完整性与权益必须作为该领域的优先原则。
尽管已取得进展,仍存在关键挑战:需拓展数据集的语言与文化多样性,提升模型在临床场景的可解释性,推动跨学科协作。利用大语言模型生成合成数据、交叉验证技术、开发可解释模型是应对上述局限的可行方案。
综上,计算工具在自然语言文本自杀意念自动化识别中表现出强劲性能,有望成为自杀早期预防的有效手段。攻克现有局限是将这些方法转化为实用工具、切实助力全球自杀预防策略的关键。
你是否需要我基于这篇综述,帮你梳理Transformer模型在自杀意念检测中的应用进展,或者提炼一份面向开发者的技术选型参考清单?