منصة الرسائل والاطاريح: التنبؤ بالاكتئاب لدى مستخدمي وسائل التواصل الاجتماعي باستخدام تقنيات تعلم الالة

الخلاصة

في الوقت الحاضر، يعد الاكتئاب مرضًا عقليًا شائعًا. يمكن أن يؤدي الفشل في التعرف على الاكتئاب مبكرًا أو ضمان تلقي الفرد المكتئب للاستشارة الفورية إلى مشاكل خطيرة. تسمح لنا وسائل التواصل الاجتماعي بمراقبة أفكار الناس وأنشطتهم اليومية وعواطفهم ، بما في ذلك الأشخاص المصابون بأمراض عقلية. في الوقت الحاضر ، تُستخدم تقنيات التعلم الآلي والتعلم العميق على نطاق واسع في تحليل المشاعر. لذلك ، من السهل استخدامها للكشف المبكر عن الاكتئاب. ستركز هذه الأطروحة على ثلاثة أهداف رئيسية. الأول هو تطوير نموذج مصنف للكشف المبكر عن الاكتئاب بين مستخدمي تويتر. والثاني هو دراسة تأثير بعض خطوات ما قبل المعالجة على أداء المصنفات التي تم تجاهلها في الدراسات السابقة. والثالث هو مقارنة أداء تقنيات التعلم الآلي المختلفة وإيجاد أفضل التقنيات. لتحقيق هذه الأهداف، تم تنفيذ ثلاثة أنواع من تقنيات التعلم الآلي في هذه الأطروحة. يتضمن النوع الأول خمسة تعلم آلي تقليدية 1) support vector machine (SVM) 2) light ‎gradient boosting machine (LGBM) 3) extreme gradient boosting (XGBOOST) 4) logistic regression (LR) 5) decision tree (DT) النوع الثاني يتضمن اثنين من تقنيات التعلم العميق : 1. bidirectional long short-term memory ‎‎(Bi-LSTM). 2. convolutional neural network (CNN). النوع الثالث هو نموذج هجين يجمع بين إحدى تقنيات الآلة التقليدية وأحد تقنيات التعلم العميق. تم استخدام مجموعتين من البيانات من موقع Kaggleللتنبؤ بالاكتئاب. أظهرت التجارب على مجموعة البيانات الأولى أن: Bi-LSTM-XGBOOST أفضل من النماذج الفردية ويحقق أعلى أداء ، بنسبة 94٪ لجميع مقاييس التقييم. يمكن للنموذج المقترح تحسين أداء تقنيات التعلم الآلي وزيادة معدل اكتشاف الاكتئاب. ثانيًا ، يمكن أن يؤدي تطبيقStemming والاستبدال (الكلمات العامية والرموز التعبيرية) وعدم إزالة بعض الكلمات المتوقفة إلى تحسين دقة تقنيات التعلم الآلي التقليدية. بينما توضح مجموعة البيانات الثانية أن LGBM تفوق على التقنيات الأخرى بنسبة 99٪ لجميع مقاييس التقييم. كبر حجم مجموعة البيانات الثانية كان له دورا مهما في تفوق الحصول على دقة اعلى من مجموعة البيانات الاولى.