Team MKC at CLPsych 2026: Capturing and Characterizing Mental Health Changes through Social Media Timeline Dynamics

背景

近年来，Large Language Models (LLMs) 取得了显著进展，并迅速被应用于众多领域，其中就包括心理健康人工智能。随着全球范围内心理健康障碍的日益普遍，专业医疗护理的可及性却相对有限。这一矛盾催生了对可扩展计算方法的迫切需求，以辅助心理健康的早期检测与持续监测。

核心内容

作为 CLPsych 2026 共享任务的一部分，Team MKC 提出了一种基于 LLM 的流水线，旨在对按时间顺序排列的用户社交媒体帖子进行综合分析。当前，该领域的研究重点在于策划特定领域的数据集，并利用这些数据集开发能够支持整体心理健康分析的 LLM。在此方向上，Team MKC 的流水线提供了一个统一的框架，该框架能够联合实现两个维度的分析：帖子级别的评估以及用户级别的时间序列建模，从而捕捉和刻画心理健康的动态变化。

关键要点

• 基于 LLM 的流水线：利用 Large Language Models 对社交媒体文本进行深度分析。
• 时间线动态分析：聚焦于按时间顺序排列的用户帖子，关注心理状态随时间的演变。
• 统一框架：将帖子级别的微观评估与用户级别的时间序列宏观建模相联合。
• 共享任务支撑：作为 CLPsych 2026 共享任务的一部分，推动领域基准与评估方法的发展。
• 应对现实痛点：旨在通过可扩展的计算方法，缓解专业心理健康护理资源不足的问题。

意义与影响

该研究突破了以往单点或静态分析的局限，通过时间线动态建模更精准地捕捉了个体心理健康的演变轨迹。这种联合帖子级与用户级的统一框架，不仅提升了心理健康评估的连贯性和准确性，也为大规模早期筛查和持续监测提供了可行的自动化技术路径。在专业资源稀缺的现实背景下，此类基于 LLM 的计算方法有望成为辅助心理健康干预的重要工具。