文献计量学研究，如Kim等人最近的文章[ 1在… 医学互联网研究杂志在理解新兴的、快速发展的社交媒体心理健康机器学习研究的演变方面发挥重要作用。然而，本文贡献的预期价值被一些重要的教训所缓和，它教给我们关于这个主题的研究现状。

第一个关键教训是，以计算为导向的心理健康研究仍然高度分散。值得注意的是，封面词“心理健康”的变体包括在说明性搜索查询中，但关键的是，“临床心理学”和“精神病学”没有。这里的术语差异反映了一种流行的技术焦点，往往与临床研究分离，甚至与临床实践更遥远。Kim等人[ 1讨论临床验证的自我报告问卷收集临床相关信息的趋势。然而，该综述的总体方法，从搜索词到关键字分析，同时反映并强化了临床心理学和精神病学中对基本考虑的广泛的技术忽视，例如疾病症状与疾病本身之间的区别。作为技术人员，我们通常只要掌握足够的数据就很高兴了。然而，要想在解决这些重要问题上取得真正的进展，就需要对正在研究的实际心理健康结构进行更仔细的定义，并对有效性问题给予更多的关注[ 2， 3.]，在学科领域知识的指导下进行研究问题和实验选择。

其次，纳入术语反映了对方法的广泛狭隘关注，例如“神经网络”和“混合智能系统”，而不是这些方法提供解决方案的问题，例如“筛选”，“风险评估”或“监测”。甚至连封面术语“自然语言处理”也只局限于工程学，而“计算语言学”则是一门母学科。基于理论框架(指导研究、治疗和干预)或DSM-5(精神疾病诊断与统计手册，第5版)诊断(例如，重度抑郁症或持续性抑郁症与“抑郁症”相比，这不是一种诊断)的搜索，在方法论中心视角上的进一步缺乏。这篇综述反映并强化了一种普遍趋势，即从技术“任务”的角度来构建机器学习研究，而不是更直接地将它们与现实世界的问题联系起来，这是将技术进步转化为更广泛的心理健康生态系统的必要步骤，而技术最终需要在这个生态系统中定位。 4， 5］.

第三，本文采用的文献计量学方法反映了一种传统的自上而下的观点，无法在一个快速发展的领域中打破信息孤岛。现在，通过在b谷歌Scholar等资源中搜索引文和/或查看论文的参考文献，将网撒得更广是一种标准做法(参见Franklin et al . [ 6])，然后使用排除标准缩小范围。这样的做法可以照亮相关搜索词和来源的更广阔的空间——例如，在精神疾病中明显没有自杀，至少在说明性搜索中是这样——并发现意想不到的联系。即使在最严格的元分析框架内(Moher等[ 7])，研究可能会错过“灰色文献”(例如，会议记录、预印本、从未被分析、展示或发表的收集数据)。例如，Chancellor和De Choudhury [ 3.]需要调整索引服务的局限性，这些服务对于已知在该研究领域重要的会议(例如，人工智能促进协会[AAAI]，计算语言学协会[ACL]，计算机械协会[ACM]，神经信息处理系统[NIPS/NeurIPS]，美国医学信息学协会[AMIA])——他们特别小心地将计算语言学和临床心理学研讨会(CLPsych)纳入其中，这是一个自2014年以来自然语言处理、机器学习和心理健康的关键跨学科出版场所。

Kim等人[ 1]应该受到赞扬，因为他们进行了一项文献计量学研究，目的是促进我们对社交媒体中心理健康的机器学习的理解。然而，我们鼓励将他们的文章视为一种不同的贡献，即使不是预期的贡献:随着该领域的发展，这是一个吸引人们关注日益增长的需求的机会，不仅作为技术专家，而且作为临床研究人员和临床医生的合作伙伴。