تشخيص افراد در معرض ريسك مشكلات سلامت روان با تحليل احساسات از روي متون شبكه‌هاي اجتماعي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

افسردگي يك مشكل جهاني است كه ميليون‌ها نفر در سراسر جهان را تحت تأثير قرار داده‌ است. تخمين زده شده است كه بيش از 264 ميليون نفر در سراسر جهان از افسردگي رنج مي‌برند، به همين دليل اين بيماري را به عنوان يكي از شايع‌ترين اختلال‌هاي رواني مي‌شناسند. افسردگي افراد از هر سن و جنسيت و پيش‌زمينه‌اي را تحت تأثير قرار داده است. اين اختلال علت اصلي بيماري و ناتواني در بسياري از موارد است و تأثير قابل توجهي بر كيفيت زندگي فرد مي‌گذارد. الگوريتم‌هاي يادگيري ماشين و روش‌هاي پردازش زبان طبيعي براي تحليل پست‌هاي رسانه‌هاي اجتماعي و شناسايي الگوهايي كه ممكن است نشان‌دهنده‌ي افسردگي باشند، توسعه يافته‌اند. با اين حال، اين روش‌ها با محدوديت‌هايي همراه است كه شامل مسائل مربوط به رعايت حريم شخصي فرد است. توسعه‌ي تشخيص افسردگي در رسانه‌هاي اجتماعي، پتانسيل بهبود تشخيص و مداخله‌ي زودهنگام را براي كساني كه با مشكلات سلامت رواني دست و پنجه نرم مي‌كنند، دارد. هدف اين پژوهش، توسعه‌ي يك روش جديد با استفاده از روش‌هاي يادگيري ماشين و يادگيري عميق است كه به منظور تشخيص و پيش‌بيني افسردگي كاربران در بستر رسانه‌هاي اجتماعي طراحي شده است. اين مدل حتي اگر كاربر در پست‌هاي خود به صورت مستقيم اشاره‌اي به مبتلا شدن به افسردگي نكرده باشد، به شناسايي يك كاربر افسرده كمك مي‌كند. در اين مدل، از پست‌هاي ارسال شده‌ي كاربر در يك بازه‌ي زماني، الگوي تعامل در رسانه‌هاي اجتماعي (توييتر)، رفتار مشاهده ‌شده در توييت‌ها و همچنين مفاهيم منحصربه‌فردي تحت عنوان مهندسي ويژگي‌ها براي پيش‌بيني افسردگي كاربر استفاده مي‌كند. در اين پژوهش، ويژگي‌هاي استخراج شده براي طبقه‌بندي كاربران افسرده و غيرافسرده به خوبي عمل مي‌كنند. همچنين بر روي متن توييت‌ها مدل‌هاي زباني مختلفي مانند BERT اجرا شده‌است. مدل سلسله مراتبي توجه نيز پياده‌سازي شده است. سپس خروجي BERT با خروجي‌هاي به دست آمده در روش‌هاي يادگيري ماشين و ويژگي‌هاي استخراج شده بعد از چند لايه ‌شبكه عصبي، با يكديگر تركيب شدند. در نهايت، بيش‌ترين دقت و صحت براي روش ما به ترتيب 88% و 87% به دست‌آمد.

224941

نرم افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان