MIT（美国麻省理工学院）团队用词典式机器学习模型从求助文本中估计自杀风险，研究发表于《心理病理学与临床科学杂志》
美国麻省理工学院（MIT，美国研究型大学）麦戈文脑研究所团队开发了一款语言处理工具，用覆盖49类自杀风险因素、每类约60个词或短语的词典，结合轻量机器学习（machine learning，让计算机从数据中学习规律的方法）模型，对危机短信求助文本估计自杀风险等级。
研究基于Crisis Text Line（美国危机短信支持热线）约1.6万段去标识化对话，模型在未见过的对话中能较准确预测风险严重程度； 作者强调其定位是辅助，临床使用前需进一步验证并保持人工介入。
研究由时任麻省理工学院麦戈文脑研究所Senseable Intelligence Group（麻省理工学院感知智能研究团队）研究生的Daniel Low（研究人员丹尼尔·洛）（现为Child Mind Institute，美国儿童心理健康研究与服务机构研究科学家、哈佛大学访问学者）与高级研究科学家Satra Ghosh（研究人员萨特拉·戈什）等人完成，成果于2026年9月24日发表在《Journal of Psychopathology and Clinical Science》。
研究团队与全球心理健康非营利组织Crisis Text Line（美国危机短信支持热线）合作，分析其志愿者危机咨询师约1.6万段去标识化短信对话。 Crisis Text Line的评估将这些对话分为非自杀、有自杀意念但无紧迫风险、紧迫风险三组； 紧迫风险指有自杀计划或未来48小时内有死亡意图。
团队先用人工智能生成与既定自杀风险因素相关的词与短语初稿，再由专家临床医生人工审核，最终词典覆盖49类风险因素、每类约60个词或短语； 随后训练机器学习模型在文本中检索词典词汇并预测风险等级。
结果显示，最高风险组中“致命手段”和物质使用相关表述比抑郁情绪或疲劳更常见，主动自杀意念与自伤也是强预测因子，焦虑、创伤后应激障碍（PTSD）和情绪痛苦为中等预测因子。 模型按各风险因素对风险的贡献赋权，如“cut”“pills”等致命手段词权重高，“don't know what to do”“hopeless”等绝望类词权重较低。
作者指出，词典方法不考虑语境，可能漏掉未明确收录的近义词； 其预测模型是“轻量级”模型，可在一台个人电脑上运行，成本与隐私顾虑较低，且具有可解释性，会标示触发评估的具体词汇。 Ghosh表示，这一领域复杂，长期来看“human in the loop”（人工介入）将至关重要；
研究者补充，任何预测模型在临床使用前都必须经过充分验证，并可能需持续调整以跟进语言使用和目标人群的变化。 团队还公开了自杀风险词典及构建该词典的软件包，供研究者为其他心理健康状况构建词典； Low表示该词典已被用于探索社交媒体、电子健康记录等多种文本数据能否帮助研究和临床人员更好地估计风险。
这项研究把自杀风险预测从回顾式流行病学调查，推进到危机发生当下的实时文本，并给出一个可解释、低算力、可本地运行的方案，这对危机干预与临床风险分层的工具化有参考价值。 但其证据边界同样明确：样本来自Crisis Text Line（美国危机短信支持热线）单一渠道的英文短信对话，风险等级由该机构评估体系划分；
词典法忽略语境、依赖词表覆盖度，研究也未报告在临床环境中的前瞻性验证或干预效果。 因此目前可确认的是“能估计文本中的风险等级”，不能推断为可替代临床评估、降低自杀率或已获监管批准。 对AI（人工智能）心理行业而言，其价值在于提示可解释性与人工介入可以同时纳入产品设计，而非单纯追求大语言模型（LLM，大规模文本预训练模型）的端到端判断。
后续观察信号
- 该轻量模型在临床与危机支持场景的前瞻性验证是否开展、结果如何
- 词典在非英语语言和其他文化人群中的适配与验证情况
- 词典法忽略语境导致漏检的近义词问题是否有后续解决方案
- 公开词典与软件包的实际采用范围和研究产出