主动自杀预防在线(PSPO):具有自杀想法和行为的中国社交媒体用户的机器识别与危机管理gydF4y2Ba

介绍gydF4y2Ba

全球每年约有100万人死于自杀。自杀除了对公共卫生构成巨大挑战外，还造成重大经济损失并加剧劳动力短缺。据估计，到2020年，每年将有大约153万人死于自杀，而企图自杀的人数将增加10至20倍[gydF4y2Ba1gydF4y2Ba］.自杀是15至29岁年轻人死亡的主要原因[gydF4y2Ba2gydF4y2Ba］.在中国，每年有2亿人企图自杀，其中三分之二的人年龄在15至34岁之间。gydF4y2Ba3.gydF4y2Ba］.因此，预防自杀至关重要，尤其是对年轻人而言。gydF4y2Ba

目前全球实施的自杀预防方法包括以学校为基础的筛查、初级保健提供者的筛查和看门人培训，所有这些方法都是针对普通人群的，涉及被动地等待有需要的人。gydF4y2Ba4gydF4y2Ba］.然而，许多研究发现，由于大多数有自杀想法和行为的人往往不参与上述活动，寻求帮助的动机较低，现有的方法对预防自杀的效果相当弱[gydF4y2Ba5gydF4y2Ba-gydF4y2Ba8gydF4y2Ba］.例如，在中国等低收入国家，只有17%的自杀者得到及时治疗[gydF4y2Ba6gydF4y2Ba］.不寻求帮助的主要原因包括缺乏服务需求、高度自立、耻辱以及时间和成本等结构性因素[gydF4y2Ba6gydF4y2Ba-gydF4y2Ba8gydF4y2Ba］.然而，风险个体的主观判断可能并不好，高度的自力更生倾向可能导致年轻人出现严重的抑郁症状和自杀意念[gydF4y2Ba9gydF4y2Ba］.被动自杀方法需要自杀个案主动寻求帮助[gydF4y2Ba10gydF4y2Ba]，例如哥伦比亚大学的自杀筛查项目，在该项目中，有自杀倾向的学生在学校填写调查问卷以获得帮助[gydF4y2Ba11gydF4y2Ba］.相比之下，主动预防自杀的方法，即项目本身主动识别有自杀倾向的人，并邀请他们使用特定的服务，可能会增加隐性人群使用服务的可能性[gydF4y2Ba10gydF4y2Ba］.gydF4y2Ba

与大多数发展中国家一样，中国的精神卫生保健处于发展的早期阶段。gydF4y2Ba12gydF4y2Ba］.此外，由于中国人口众多，资源分布不均，很难在全国范围内实施以学校为基础的筛查或维持初级保健提供者的筛查[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba］.看门人培训仍处于初级阶段[gydF4y2Ba15gydF4y2Ba]，因此迫切需要新的自杀预防方法。gydF4y2Ba

互联网已经成为许多人生活中不可或缺的一部分。因此，研究人员已经开始使用人们自己生成的在线信息来识别自杀的想法和行为。gydF4y2Ba16gydF4y2Ba]或机器学习分析[gydF4y2Ba17gydF4y2Ba］.然而，识别自杀的想法和行为只是预防自杀的第一步。尽管互联网已经被用来管理有自杀倾向的危机[gydF4y2Ba18gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，需要更多的努力来防止自杀。以前的研究只是把互联网作为一个平台，这意味着它们和传统的预防方法一样存在缺陷。gydF4y2Ba

一半的中国人使用互联网。大约五分之二(40.9%)的中国网民使用新浪微博，即中国版的Twitter [gydF4y2Ba20.gydF4y2Ba］.微博用户(微博用户)可以公开发布微博，类似于Twitter。他们还可以直接向其他用户发送消息，这些消息只能由发送者和接收者看到。微博用户可以关注其他用户，还可以回复、评论、转发或点赞他人的帖子。新浪微博平均每天产生1.39亿条新帖子，其中大多数(82%)微博用户年龄在30岁以下[gydF4y2Ba21gydF4y2Ba］.这些现象为防止中国年轻人死于自杀提供了机会，因为现有的调查结果表明，年轻人觉得他们可以在社交网络上自由地讨论与自杀有关的话题[gydF4y2Ba22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba］.面临的挑战是，自杀帖子的比例极低，几乎不可能手工识别，这就是为什么研究人员呼吁更多的努力建立自动化或半自动自杀意念探测器，以方便向有自杀风险的人提供及时的帮助和支持。gydF4y2Ba24gydF4y2Ba］.有自杀倾向的人首先需要被识别出来，在机器学习模型的帮助下，可以进行自杀的识别和预防。gydF4y2Ba

据我们所知，之前还没有研究将通过社交媒体主动识别自杀个体与专门的危机管理相结合。此外，越来越多的研究表明:(1)网络自杀预防方法不足[gydF4y2Ba25gydF4y2Ba[2]专业机构单向单一的自杀预防信息分发不足，专业人员与自杀风险人群之间需要更多的对话沟通[gydF4y2Ba26gydF4y2Ba[3]自杀状态可以从人类语言中检测出来[gydF4y2Ba27gydF4y2Ba]，并且(4)通过将机器学习算法应用于自杀识别可以实现很大的改进(例如提高召回率)[gydF4y2Ba17gydF4y2Ba］.因为语言是一种表明人类精神状态的显性行为，有自杀意念的人比没有自杀意念的人更容易谈论自杀[gydF4y2Ba28gydF4y2Ba］.最近，研究人员开始使用在线纵向数据来评估接受社会心理支持服务后的某些改善[gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba］.例如，研究发现，在网上使用更多将来时词汇的人从网络社会支持中获益更多。gydF4y2Ba31gydF4y2Ba］.先前的研究表明，较高的未来取向与较少的自杀意念有关[gydF4y2Ba32gydF4y2Ba，gydF4y2Ba33gydF4y2Ba］.我们认为，减少以死亡为导向的语言和增加以未来为导向的语言可以作为降低自杀风险的指标。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

我们提出了一种新的基于互联网的方法，主动自杀预防在线(PSPO)，用于识别和预防自杀的想法和行为(见gydF4y2Ba图1gydF4y2Ba)。我们在网上识别了一个微博群，并在遗书上手工标注了他们的评论，以训练机器学习模型。接下来，该模型被用来自动识别暗示自杀想法和行为的帖子。我们以情感和信息支持的形式，主动为处于危险中的微博用户提供危机管理。最后，我们使用他们在帖子中的语言变化作为评估PSPO方法有效性的标准。基于上述研究空白，我们旨在评估(1)PSPO在识别有自杀想法和行为的高危社交媒体用户方面的表现，(2)主动向有自杀想法和行为的社交媒体用户提供帮助的可接受性，(3)与传统自杀预防方法相比，PSPO在促使有自杀倾向的社交媒体用户寻求帮助方面的改进。(4) PSPO对有自杀倾向的社交媒体用户在语言使用方面的影响(即减少死亡导向词，增加未来导向词)。gydF4y2Ba

方法gydF4y2Ba

数据收集gydF4y2Ba

识别高危人群gydF4y2Ba

2012年3月17日，微博博主“豆饭”因抑郁症自杀身亡，她的自杀在网上引起了广泛关注。自她去世后，她的博客成了一个“秘密花园”，有自杀倾向的人在这里分享他们的感受和想法。截至2018年7月24日，她的网上遗书已被发表130多万条评论，其中许多留言包含自杀信息。这个微博群由有和没有自杀念头的人组成。我们分析了邹凡在网上留下的遗书评论。使用新浪官方微博应用编程接口获取2017年4月1日至28日发布的评论，并将其手工标注为训练集。从2017年7月3日至2018年7月3日发布的评论被获取并由开发的机器学习模型自动识别。关于构建机器学习模型的过程的进一步细节(例如，帖子中自杀想法和行为的编码系统，机器学习模型的特征选择)在Data Analysis中提供。gydF4y2Ba

提供危机管理gydF4y2Ba

所有被机器学习模型识别为表达自杀想法和行为的微博用户都被邀请通过直接消息加入研究。没有排除标准，因为我们的目标是尽可能多地接触并为有自杀倾向的社交媒体用户提供支持。gydF4y2Ba

在我们之前的研究中设计的直接信息[gydF4y2Ba34gydF4y2Ba]，包括(1)对项目的简要介绍;(2)自杀念头与行为、抑郁症状、求助行为评估方案url;(3)情感支持(感同身受，建议如经常锻炼身体和健康饮食，鼓励);(4)信息支持(本研究的URL，以及转介到医院和热线服务);(5)关于通过直接信息联系辅导员的一对一咨询的可用性的细节(见gydF4y2Ba多媒体附件1gydF4y2Ba)。gydF4y2Ba

如果用户回复了直接信息，咨询师就会针对用户的具体问题提供支持。12名具有处理自杀案例经验的注册咨询师(2男10女，平均年龄23.08 [SD 1.08]岁)接受了培训，通过直接短信提供咨询服务。gydF4y2Ba

直接消息评估协议gydF4y2Ba

自杀的想法和行为是根据先前的研究选择的两个项目来测试的[gydF4y2Ba35gydF4y2Ba]及9项病人健康问卷(PHQ-9) [gydF4y2Ba36gydF4y2Ba］.这两个问题分别是“你有自杀的计划吗?”和“你曾试图自杀吗?”参与者的回答是二元选择(是/否)，如果对第一项的答案是肯定的，他们就需要说明他们是否有一个具体的或模糊的计划。PHQ-9的一个示例项目是“对做事没有兴趣或乐趣”。参与者根据4分李克特量表(0 =完全没有，3 =几乎每天)对这9种症状在过去两周内出现的频率进行评分，PHQ-9的总分从0到27分不等，得分越高表明抑郁症状越严重。中文版本已被证明具有良好的心理测量特性[gydF4y2Ba37gydF4y2Ba]，本研究内部一致性为0.84。gydF4y2Ba

求助行为由两个项目评估[gydF4y2Ba35gydF4y2Ba:“你以前接受过什么心理治疗?”和“当你有自杀念头时，你寻求过帮助吗?”如果对其中任何一个问题的回答是肯定的，那么前一种帮助的有效性将以7分的李克特量表(1 =完全不同意，7 =完全同意)进行评分。如果参与者对问题的评分为3分或更低，我们记录前一个帮助是没有用的。gydF4y2Ba

可接受性是用一个项目来衡量的(“你觉得这种积极主动的帮助有多可接受?”)，并以7分的李克特量表(1 =完全不同意，7 =完全同意)来打分。我们认为4或更高的评级表明该计划是可接受的。gydF4y2Ba

一对一的辅导gydF4y2Ba

辅导员培训以问题解决疗法为基础[gydF4y2Ba38gydF4y2Ba]，首先确定一个人的问题，然后通过设定目标和比较每个可行解决方案的利弊，帮助他们确定针对特定问题的可行解决方案。然后制定一个具体可行的计划，以帮助客户克服他们面临的问题。危机管理咨询师的目标是说服有自杀倾向的微博用户寻求专业服务，并为他们提供适当的转介。微博用户与辅导员之间的互动也取决于微博用户的需求。培训持续了3个小时，包括理论解释和将问题解决疗法应用于这种在线情况的实践。除了咨询师每月接受精神科医生和高级咨询师的监督外，我们还成立了一个在线聊天群，咨询师可以随时讨论他们在咨询中遇到的问题。gydF4y2Ba

由于本研究中使用的数据都是公开的，传统的知情同意是不合适的。在身份识别部分，我们在数据分析中对数据进行了匿名化处理，以最大限度地减少个人信息或可能泄露个人网络身份线索的信息的无意泄露。在研究的危机管理部分，参与者在同意参加该计划时自愿给予知情同意。本项目经中国科学院心理研究所机构审查委员会伦理批准，伦理批准号为H16003。gydF4y2Ba

数据分析gydF4y2Ba

构建自杀识别的机器学习模型gydF4y2Ba

监督学习的第一步是获得一个训练集。为了实现机器学习模型的良好性能，本研究决定不使用众包[gydF4y2Ba39gydF4y2Ba］.相反，是5名擅长自杀分析的心理学研究生为微博用户的评论做了注解。注释过程与我们之前研究中使用的过程相同[gydF4y2Ba34gydF4y2Ba］.表达死亡愿望或写关于自杀的文章被归类为自杀意念。因为自杀计划被定义为与自杀有关的交流，以解释其人际性质，这通常是用口头语言表达的，关于一个人如何从想法发展到行动[gydF4y2Ba40gydF4y2Ba]，在考虑了社交媒体对话的性质后，我们将自杀计划具体化为一个涉及死亡行为的讨论(例如，死亡工具箱、死亡地点和时间、立遗嘱)。在过去两周内有自杀意念或在未来一至两周内有实施自杀计划的可能性的自杀未遂行为被归类为自杀未遂。帖子排名如下:0 =无自杀风险;1 =有自杀意念的风险，但没有制定详细的计划;2 =不需要紧急援助的自杀计划风险;3 =有严重的自杀倾向，需要紧急援助。gydF4y2Ba

将识别出有自杀想法和行为的评论标记为积极训练样本，随机抽取1万篇没有自杀想法和行为的帖子作为消极训练样本。另一个改进机器学习模型性能的策略是基于理论的特征选择。计算机科学领域的研究人员倾向于在没有理论或经验基础的情况下，通过随机使用语言分析(如n-gram和情感分析)来选择预测特征[gydF4y2Ba41gydF4y2Ba，gydF4y2Ba42gydF4y2Ba］.在本研究中，我们结合了来自社交媒体数据、领域知识和理论指导的数据驱动特征(n-grams) [gydF4y2Ba43gydF4y2Ba，gydF4y2Ba44gydF4y2Ba]选择功能。以知识为基础的与自杀有关的通用词汇[gydF4y2Ba45gydF4y2Ba]，它是由一个领域专家小组手工开发的。理论驱动的特征包括性格和抑郁，这是最常被引用的与自杀有关的因素[gydF4y2Ba46gydF4y2Ba-gydF4y2Ba48gydF4y2Ba］.恐惧、社交抑制、害羞、悲观、不成熟和缺乏内部组织等个人特征与精神病性自杀企图有关。gydF4y2Ba43gydF4y2Ba］.此外，在从社交媒体数据预测个性和抑郁方面也取得了重大进展[gydF4y2Ba43gydF4y2Ba，gydF4y2Ba44gydF4y2Ba，gydF4y2Ba49gydF4y2Ba，gydF4y2Ba50gydF4y2Ba]，抑郁症也被用来预测自杀行为[gydF4y2Ba51gydF4y2Ba］.因此，将人格特征和抑郁的预测特征结合到自杀意念检测模型中，在理论上是合理的，在技术上也是可行的。据我们所知，之前没有研究使用机器学习模型中包含的词汇和预测特征(包括人格特征和抑郁症)。gydF4y2Ba

建立了自杀想法和行为的二元分类检测模型，以确定评论是否存在自杀想法和行为。我们使用支持向量机(SVM)、决策树、随机森林和具有10倍交叉验证的逻辑回归算法来训练检测模型，因为这些机器学习算法是预测心理特征和情绪以及检测自杀意念最广泛使用的方法。gydF4y2Ba45gydF4y2Ba，gydF4y2Ba52gydF4y2Ba］.检测模型的性能通过使用四个指标进行评估:精度、召回率、F-measure和准确性[gydF4y2Ba53gydF4y2Ba］.gydF4y2Ba

语言频率变化作为危机管理效能指标的研究gydF4y2Ba

由于在线调查的完成率较低，我们无法收集到phq -9后1个月的数据。我们使用语言频率变化作为危机管理的有效性指标。为了研究微博用户在项目开始前1个月和项目结束后1个月的语言变化情况，我们使用了简体中文语言调查和字数统计(SCLIWC)。SCLIWC是文本分析程序LIWC的修订版，旨在以简体中文在微博上表现良好[gydF4y2Ba54gydF4y2Ba］.它由7个主要类别和64个小类别组成。死亡导向词和未来导向词是两个子类别，每个参与者的帖子都被解析为这两个子类别。类别得分是根据类别内的单词与帖子中所有单词的比例计算的。此外，我们使用这两个子类别的变化趋势来衡量程序的有效性。gydF4y2Ba

结果gydF4y2Ba

自杀识别的机器学习模型gydF4y2Ba

2017年4月1日至28日，每周进行4次手工评注。在27,007条评论中，10.32%(2786/27,007)被确定为表明自杀念头和行为。其中，81.44%(2269/2786)、13.75%(383/2786)和4.81%(134/2786)包含编码为自杀意念、自杀计划和自杀企图的信息(gydF4y2Ba表1gydF4y2Ba)。gydF4y2Ba

表2gydF4y2Ba给出了由所选分类算法开发的整个特征集和两个基线特征集的检测模型性能的均值和标准差。SVM模型是综合效果最好的模型。我们比较了SVM模型的性能，这些模型是用每个特征集构建的，使用Tukey诚实显著差异事后检验。集合C的模型精度低于集合A (gydF4y2BatgydF4y2Ba= -6.32,gydF4y2BaPgydF4y2Ba<措施)。然而，召回(gydF4y2BatgydF4y2Ba= 12.07,gydF4y2BaPgydF4y2Ba<.001)， f值(gydF4y2BatgydF4y2Ba= 5.48,gydF4y2BaPgydF4y2Ba<.001)，准确度(gydF4y2BatgydF4y2Ba= 3.32,gydF4y2BaPgydF4y2Ba(=.004)，在集合C中模型的精度均显著高于集合a。对比使用C和B特征集的SVM模型的性能，尽管集合C的SVM模型精度也较低(gydF4y2BatgydF4y2Ba= -5.80,gydF4y2BaPgydF4y2Ba<.001)，使用集合C的模型的召回率和f测量值显著更高(gydF4y2BatgydF4y2Ba= 12.23,gydF4y2BaPgydF4y2Ba<。001年和gydF4y2BatgydF4y2Ba= 3.87,gydF4y2BaPgydF4y2Ba=。001)，而两者的准确度(gydF4y2BatgydF4y2Ba= 1.34,gydF4y2BaPgydF4y2Ba= .20)。gydF4y2Ba

在2017年7月3日至2018年7月3日期间发表的387823条评论中，24727条(6.38%)被机器学习模型确定为自杀念头和行为的指示。gydF4y2Ba

危机管理gydF4y2Ba

我们向12486名微博用户(一些微博用户有多条评论)发送了直接消息，这些微博用户被机器学习模型识别为在24727条评论中表达了自杀想法和行为。共有34.58%(4318/24,727)的个体完成了评估方案，1403份有效样本(平均年龄21.66 [SD 3.26]岁)。女性数量明显超过男性(χgydF4y2Ba^2gydF4y2Ba_1gydF4y2Ba= 647.33,gydF4y2BaPgydF4y2Ba<.001)，大多数参与者是在校学生或在职，单身，大学毕业(见gydF4y2Ba表3gydF4y2Ba)。gydF4y2Ba

在自杀风险方面，大多数受访者(1259/1403,89.73%)认为死亡或以某种方式伤害自己会更好。其中近一半(699/1403,49.82%)有自杀计划，6.34%(89/1403)表示有具体的自杀计划，43.48%(610/1403)表示有模糊的自杀计划。在1403名参与者中，有545人(38.85%)曾试图自杀。PHQ-9的平均得分为17.40 (SD 5.98)，这代表中度重度抑郁症状。三分之二(924/1403,65.86%)的参与者从未接受过任何形式的心理治疗。超过一半(725/1403,51.67%)的人没有向任何人寻求帮助，12.19%(171/1403)的人曾向专业人士(如精神病学家、治疗师或全科医生)寻求帮助，36.14%(507/1403)的人曾向周围的人(如家人和朋友)寻求帮助。在曾寻求过帮助的参与者中，48.33%(678/1403)认为前一次帮助的效果为2.60(标准差1.43)，77.00%(522/678)认为前一次帮助对他们没有用处。gydF4y2Ba

在李克特7分量表上，近70%(968/1403,69.00%)的参与者认为通过使用直接消息提供主动帮助是可以接受的(量表上有4分或更多)。所有参与者的平均得分为4.35(标准差1.81)。gydF4y2Ba

2017年7月3日至2018年7月3日期间，微博用户登录研究网站查看预防信息12300次。有2321个用户至少回复一次留言。gydF4y2Ba图2gydF4y2Ba为2017年7月3日至2018年7月3日期间，每月与咨询师互动的微博用户总数。平均每月有234.08名(SD 88.70)微博用户与我们的咨询师进行互动。gydF4y2Ba表4gydF4y2Ba显示微博用户与咨询师之间的互动情况，包括微博用户回复数和互动天数。约90%(2043/2321,90.12%)的微博用户回复少于10次。近97%(2246/2321,96.77%)的微博用户与辅导员互动时间少于5天。共有1097名用户完成了评估方案和咨询。在我们联系的12486位微博用户中，5542位(44.39%)通过完成评估方案或与辅导员互动对我们的直接信息做出了回应。早期的研究发现，大学生向专业人士寻求帮助的比例在所有大学生中为5.1%，有心理健康问题的大学生为14.4%，没有心理健康问题的大学生为4.5% [gydF4y2Ba55gydF4y2Ba］.与使用的传统方法相比，我们能够通过机器学习模型识别出更多发布过自杀内容的人，让他们为自己的痛苦或自杀念头寻求帮助。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

最后，我们使用SCLIWC来检测2321名回复直接消息的社交媒体用户的语言变化。通过追踪这些微博用户的账户，我们比较了他们在接受咨询师服务前后一个月的微博帖子。删除一个月未完成与辅导员互动的用户后，微博用户总数为2031人。如gydF4y2Ba表5gydF4y2Ba，死亡词的使用频率显著下降(gydF4y2BaPgydF4y2Ba=.03)，将来时词汇的使用频率显著增加(gydF4y2BaPgydF4y2Ba= .02点)。在该计划实施前的一个月，单个用户发布的帖子数量从1到1013不等。平均值为30.59 (SD 84.36)。在该计划实施后的一个月，单个用户的帖子数量从1到1279不等，平均值为27.41(标准差为74.04)。配对样本gydF4y2BatgydF4y2Ba测试结果表明，因此单个用户在程序前后的帖子总数差异不显著(gydF4y2BatgydF4y2Ba= 1.92,gydF4y2BaPgydF4y2Ba= 0。06)。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

在我们的研究中，我们首先确定了一个围绕自杀微博者的新浪微博账户形成的微博群，这是识别高危人群的有效方法。然后，我们主动推送直接消息，邀请所有被机器学习模型识别为有自杀想法和行为的人的微博用户参与我们的研究。我们的研究结果提供了一些初步的证据，证明自动识别自杀想法和行为以及积极的自杀预防是可以接受和有益的。gydF4y2Ba

对于自杀意念检测来说，回忆比精确更重要。机器学习模型的结果表明，一般来说，结合理论相关特征和基于领域知识的特征可以提高自杀意念检测模型的召回率、F-measure和准确性。精密度、召回率、f值和准确性的最佳结果分别为0.88、0.85、0.85和0.86，这表明该模型在识别自杀帖子方面的实用性。除了多资源和基于理论的特征选择之外[gydF4y2Ba39gydF4y2Ba，gydF4y2Ba41gydF4y2Ba能够确保包含相关特征并排除冗余特征，我们的结果优于早期的自杀机器学习模型，以识别带有自杀内容的帖子[gydF4y2Ba52gydF4y2Ba，gydF4y2Ba56gydF4y2Ba主要是因为我们没有依赖众包。gydF4y2Ba39gydF4y2Ba而是选择了专门研究自杀的研究生注释者。此外，数据集的大小几乎是早期类似研究中使用的数据集的两倍[gydF4y2Ba56gydF4y2Ba，gydF4y2Ba57gydF4y2Ba］.gydF4y2Ba

在这项研究中，大多数完成问卷的人是单身女性(在职或学生)，拥有大学学位。这与之前的一项研究一致，该研究表明，女性比男性更有可能向健康专业人员谈论自杀念头并使用健康服务。gydF4y2Ba6gydF4y2Ba］.受过高等教育和从未结婚的人接受心理健康治疗的几率也明显更高。gydF4y2Ba6gydF4y2Ba］.gydF4y2Ba

在2017年7月3日至2018年7月3日期间，6.38%的评论被确定为表达了自杀念头和行为。1403名被认为有自杀倾向的参与者的自我报告证明了机器学习模型的实用性。调查结果显示，自杀意念、自杀计划和过去自杀企图的比例分别为89.73%、49.82%和38.85%。这远远高于一项荟萃分析研究的结果，该研究显示，中国普通人群中自杀意念和自杀未遂的比例分别为3.9%和0.8% [gydF4y2Ba58gydF4y2Ba］.此外，6.34%的参与者自我报告了具体的自杀计划。他们的PHQ-9平均得分为17.40 (SD 5.98)，表明抑郁症状中度严重。如果能尽早发现自杀意念，就能防止有自杀风险的人恶化到制定具体自杀计划的地步[gydF4y2Ba59gydF4y2Ba］.PSPO只对有需要的人进行及时的危机管理，而不会打扰他人。gydF4y2Ba

即使自杀意念率很高，65.86%完成问卷的参与者从未接受过任何心理治疗。此外，有51.67%的人没有向任何人寻求自杀问题的帮助。这与早期的研究一致[gydF4y2Ba60gydF4y2Ba，gydF4y2Ba61gydF4y2Ba这或许可以解释为什么69.00%的参与者接受了我们的pspo——它为那些之前因自杀念头和行为而难以寻求帮助的人提供了一种新的求助方式。PSPO可被接受的另一个可能原因是它的匿名性。gydF4y2Ba

本研究为PSPO的疗效提供了一些初步证据。消除自杀念头可能是一个漫长的过程，但自杀危机管理可以为处于危险中的人提供“情感心肺复苏”。我们向12,486名不同的社交媒体用户发送了24,727条直接消息，其中5542人(44.39%)回复。其中，4318人完成了评估协议，2321人回复了直接信息。平均每月有234.08位(SD 88.70)微博用户与咨询师互动，约90%的微博用户回复少于10次，近97%的微博用户与咨询师互动少于5天。这些结果表明，与传统的被动方法相比，PSPO可能在很大程度上扩展了那些以前从未寻求过帮助的人预防自杀的潜力。此外，我们网站上的预防信息被浏览了12300次。最后，在与咨询师互动后，有自杀想法的微博用户似乎显著改变了他们在社交媒体上使用的语言。特别是，与接受危机管理一个月前相比，危机管理一个月后，死亡相关词汇的使用频率明显减少。一个可能的原因是，微博用户感受到咨询师的关心、社会支持和同情。 Another possible reason is that these users started to seek help after the consultation. At the same time, the frequency of future-oriented words increased significantly, although it was a slight change. This may be due to the relatively small number of future words in the overall vocabulary used. Nevertheless, it may also signal that the users had less suicide ideation and became more willing to accept support than before.

局限性和未来工作gydF4y2Ba

在本研究中，我们只关注了一个微博群。未来的研究需要确定我们的机器学习模型是否可以应用于其他类似的自杀团体和其他社交媒体平台，如学校公告板、在线自杀团体或在线自杀想法和行为的自助团体。由于我们的自杀想法和行为检测模型还处于早期发展阶段，所以只建立了一个二元分类模型，并且主要集中在寻找自杀者候选人进行初级危机管理。未来可以采用和适应多类分类，方便针对不同社交媒体用户定制自杀预防。此外，为了检测自杀意念，我们主要关注从帖子中提取的文本特征，尽管社交媒体上的其他行为，如与其他用户的互动和发帖频率和时间，也可以是有效的预测因素。研究这些潜在的因素可能会为建立基于社交媒体的更有效的模型来检测自杀意念提供额外的见解和指导。gydF4y2Ba

略多于三分之一(34.58%)的用户完成了直接信息中提供的问卷。考虑到问题的敏感性，相对较低的回应率是可以理解的，尽管它高于早期研究的结果(接近10%)[gydF4y2Ba62gydF4y2Ba］.在未来的研究中，我们计划调查参加该计划的人与没有参加该计划的人之间的差异，以获得更多的第一手数据，从而更深入地了解他们的心理和行为。我们的目标是将更多的人力资源投入到拯救生命中，从而提高自杀的预防率。gydF4y2Ba

我们只向有自杀想法和行为的微博用户提供基本的危机管理信息。在未来的研究中，需要更规范和系统的应急干预方案、心理健康资源和专业转诊来保证合理的保留。虽然PSPO为纵向研究提供了机会，但包括PSPO在内的各种基于网络的自杀预防和干预方法的有效性应该得到检验，因为随访对自杀干预至关重要[gydF4y2Ba63gydF4y2Ba］.因此，我们将尽力为已确定的用户提供后续措施和行动。gydF4y2Ba

最后，由于这是一项初步研究，我们主要使用面向将来时词频的变化来证明PSPO的有效性。我们的有效性证据应该谨慎解读，因为面向未来的词语与降低自杀风险之间的关系仍需要进一步验证。未来的研究应该考虑使用减少自杀想法和行为的直接指标来证明这种改善。此外，结果有可能反映了回归均值。在研究设计阶段(例如，使用随机对照试验，在不同时间点对实际行为进行多次测试，而不仅仅是意图或态度)和分析阶段(例如，使用协方差分析)的一些策略是可取的，以减少回归到平均值[gydF4y2Ba64gydF4y2Ba，gydF4y2Ba65gydF4y2Ba］.gydF4y2Ba

结论gydF4y2Ba

本文将PSPO作为一种主动的自杀预防方法，用于识别和预防社交媒体用户，特别是年轻人的自杀事件。结果表明，PSPO在识别自杀风险人群和提供有效的危机管理方面是可行的，并且对自杀风险个体的识别具有自动化和及时性。危机管理也是前瞻性的、可接受的、低成本的。我们的研究可能是对现有预防计划的有益补充，自杀危机管理可能会提高公众对自杀风险寻求帮助的认识，从而改善人口的福祉。这种方法可以缓解与人口众多而心理服务薄弱相关的问题，并有助于解决中国等发展中大国不完善的自杀预防系统。gydF4y2Ba