当危机来电者寻求帮助时，辅导员的首要任务是辨别出自杀高危人群。MIT 麦戈文研究所的研究团队开发了一款语言处理工具，能够在危机文本中快速捕捉与自杀风险相关的线索。该工具由前研究生 Daniel Low 在 Satra Ghosh 课题组研发，现任 Child Mind Institute AI、Risk 与 Contemplative Science 实验室负责人，并兼任哈佛大学访问学者。
工具核心是一套自定义词库，覆盖 49 项自杀风险因素，每个因素约收录 60 条关键词或短语，均经临床专家确认。研究人员先利用人工智能生成初始词表，再人工筛选、校正，形成最终词库。随后训练轻量级机器学习模型，在危机文本中搜索这些词汇，并依据出现频率与权重估算风险等级。
实验数据来源于 Crisis Text Line——一个提供 24/7 免费匿名文本支持的全球非营利组织。团队获得约 16,000 条经脱敏处理的对话，按照危机中心的评估分为三类：非自杀、仅有自杀念头（无迫切风险）和迫切自杀风险（有自杀计划或在 48 小时内有自杀意图）。模型在未见过的对话上能够准确预测风险等级。
结果显示，致命手段（如“割腕”“服药”）和物质使用的提及比抑郁情绪更能区分最高风险人群；主动自杀念头和自伤行为同样是强预测因子。焦虑、创伤后应激障碍以及情感痛苦属于中等预测因子。模型为每个因素分配权重，例如致命手段的词汇权重最高，而“无助”“绝望”等表达的贡献相对较小。
词库的局限在于缺乏上下文理解，可能漏掉未列入的同义词。研究者仍在探索将大语言模型（LLM）与词库并行使用，以兼顾隐私与检测全面性。与需要大量算力的 LLM 不同，这套轻量模型可在普通个人电脑上运行，成本低且易解释：系统会标记触发风险的具体词汇，帮助辅导员了解评估依据。
团队已公开词库及构建工具，其他研究者可基于此快速生成针对不同精神健康问题的词库。未来，研究者计划将该方法扩展至社交媒体、电子健康记录等多源文本，以提升风险评估的广度与精准度。
点评