Zespół badaczy zaprezentował kompleksowy framework do oceny ryzyka samobójstwa w postach z mediów społecznościowych, który idzie daleko poza tradycyjne klasyfikatory ryzyka. Zaproponowane rozwiązanie składa się z trzech powiązanych zadań: Risk Assessment (ocena ryzyka), Evidence Grounding (ugruntowanie dowodów) oraz Factor Identification (identyfikacja czynników). Każdy moduł pełni konkretną rolę w tworzeniu wyjaśnialnej prognozy, którą mogą zrozumieć i wykorzystać specjaliści od zdrowia psychicznego.
Moduł oceny ryzyka wykorzystuje routing oparty na długości tekstu, aby prawidłowo obsługiwać posty o różnych rozmiarach - od krótkich wiadomości do dłuższych opisów. Evidence Grounding identyfikuje fragmenty tekstu wspierające predykcję ryzyka i utrzymuje spójność między dowodem a oceną, co zapewnia interpretowalne wyjaśnienia. Dla identyfikacji czynników psychospołecznych system stosuje dwa weryfikatory: Taxonomy Verifier skupiający się na semantyce czynników oraz Evidence-Aware Verifier wykorzystujący specyficzne wskazówki leksykalno-semantyczne do wyboru użytecznych przykładów treningowych.
Wyniki pokazują solidną wydajność systemu - ocena ryzyka uzyskała Weighted F1 0.8088, ugruntowanie dowodów test Macro F1 0.7605, a identyfikacja czynników Macro F1 0.5562. Framework stanowi znaczący krok w kierunku bardziej przejrzystych i wiarygodnych systemów do detekcji ryzyka samobójstwa w środowisku online, dostarczając nie tylko predykcje, ale również konkretne uzasadnienia w postaci tekstowych fragmentów i identyfikowanych czynników psychospołecznych.