《国际数据分析技术与策略杂志》上发表的研究展示了如何使用半监督深度学习模型来识别在线社交媒体用户的抑郁迹象。鉴于心理健康在现代医学议程中占据重要地位，开发能够帮助发现与心理健康问题相关的早期症状的方法对于尽早而不是稍后为用户提供干预可能很重要。

印度马图拉 GLA 大学计算机工程与应用系的 Gaurav Kumar Gupta 和 Dilip Kumar Sharma 指出，识别那些有心理健康问题风险的人是数字时代的一项重要挑战。许多人将大量时间花在网上、远程工作或在某种程度上与面对面的互动隔离，即使那些不这样做的人也常常会掩盖问题，因此诊断可能很困难。在浩如海的社交媒体数据中找出抑郁症迹象的挑战可以提供对心理健康的洞察。

该团队的方法使用了对人口统计和内容相关特征的详细分析，包括社交媒体更新中数据的结构方面和语义细微差别。然后，具有深度自动编码器模型的系统可以提取与抑郁症症状相关或具有抑郁症症状特征的词语的陈述和模式。一旦识别出与抑郁症相关的更新迹象，就可以通过允许算法访问一个人的个人资料来扩展可用的见解。因此，通过结合推文抑郁评分、个人资料属性和混合知识，系统将用户分类为抑郁或非抑郁。

研究表明，与其他方法相比，准确率提高了 11% 以上。因此，这可能开辟了开发该方法作为多模式技术的一部分的可能性，用于从其他形式的在线内容(例如面部表情、图像和视频)中识别抑郁症。如何使用诊断结果取决于个人和医生。