مطالعه ای روی تحلیل احساسات عربی توییتر برای تشخیص افسردگی بر اساس تجمیع اطلاعات زبانی، به کمک تکنیکهای یادگیری ماشین

پلتفرم های رسانه های اجتماعی امروزه به طور فزاینده ای مورد استفاده قرار می گیرند؛ زیرا بسیاری از مردم در سراسر جهان در تعامل، ارتباط و اشتراک گذاری محتوا با دیگران هستند؛ کاربران شبکه های اجتماعی اغلب احساسات و عواطف خود را در پست های خود آشکار می کنند؛ در زمینه تصمیم گیری کیفی، متغیرهای زبانی کاربران این شبکه ها، اغلب اطلاعاتی را بیان می کنند که به جای کمیت دقیق، مربوط به رتبه بندی ترتیبی است و بنابراین چالش در چگونگی تعیین وزن های منطبق با واقعیت و معنا بخشیدن به تصمیم آن ها است. رسانه های اجتماعی به یک منبع آنلاین حیاتی برای مطالعه زبان مورد استفاده کاربران رسانه های اجتماعی، برای بیان مسائل مربوط به سلامت روان خود تبدیل شده اند که می توانند به شناسایی افراد در معرض آسیب کمک کنند؛ اکنون محققان بیشتر به سلامت روان از طریق رسانه های اجتماعی علاقمند شده اند؛ شبکه اجتماعی توییتر، با موفقیت برای بررسی چندین بیماری روانی از جمله اضطراب، افسردگی، افکار آسیب رساندن به خود و خودکشی پیاده سازی شده است؛ افسردگی عامل اصلی بیماری و ناتوانی در سراسر جهان است و تعداد افراد مبتلا به اختلالات روانی رایج در سطح جهان در حال افزایش است. در این مقاله، مدلی مورد مطالعه و تحلیل قرار گرفته است که می تواند توییت های عربی را بر اساس ویژگی های افسردگی انتخاب شده توسط متخصصان سلامت طبقه-بندی کند؛ در جمع آوری داده ها، توییت ها از API توییتر جمع آوری شده اند؛ سپس، تکنیک های یادگیری ماشینی تحت نظارت، برای استخراج توییت هایی با بیشترین ویژگی های افسردگی اعمال شده است؛ پس از آن، دقت در بین الگوریتم های یادگیری ماشینی تحت نظارت اعمال شده، ارزیابی شده است تا بهترین الگوریتم برای مدل خود شناسایی شود. نویسندگان این مقاله و محققان مقالات مرجع، بر این باورند که این پروژه می تواند توسط پزشکان بهداشت برای کمک به تشخیص و ارائه کمک به کاربران افسرده شبکه اجتماعی توییتر استفاده شود.