דעות קדומות במודלים למידה מכונה לזיהוי דיכאון

שולחן שמאל abstract והכניסה מתודולוגיה תוצאות דיון ותייחסות הדיון התפשטות התפשטות של מצבי בריאות הנפש, במיוחד דיכאון, מהווה אתגר בריאותי עולמי משמעותי. פלטפורמות מדיה חברתית הופיעו כמקורות נתונים עשירים שבהם אנשים מביעים את מחשבותיהם ורגשותיהם, ומציעים הזדמנות ייחודית לזהות בעיות בריאות הנפש באמצעות שיטות חישוביות מתקדמות. מודלים למידה ממוחשבת ולימוד עמוק מבטיחים לנתח נתונים לא מבוססיים כדי לזהות דפוסי דיכאון. סיכום הממצאים המרכזיים הביקורת שלנו חשפה מספר דעות קדומות ואתגרים מתודולוגיים המשפיעים על האמינות והאפליה של מודלים של למידה מכונה ולימוד עמוק בתחום זה. דעות קדומות דגימה הופיעו עקב תלות מוחלטת על פלטפורמות מדיה חברתית ספציפיות, במיוחד טוויטר, אשר שימשו 63.8% מהמחקרים. בנוסף, רוב המחקרים התמקדו בתוכן בשפה האנגלית ומשתמשים מאזורים גיאוגרפיים ספציפיים, בעיקר ארצות הברית ואירופה. דעות קדומות אלה מגבילות את ייצוג הממצאים, שכן הן אינן מציינות את מגוון המשתמשים ברשתות החברתיות העולמיות. בעיות התפתחות מודל היו גם בולטות. נצפו שיטות מתאם היפרפרפרמטר לא עקביות, עם רק 27.7% מהמחקרים מתאימים היפרפרפרמטרים כראוי עבור כל המודלים. יתר על כן, כ -17% מהמחקרים לא מחלקו כראוי את הנתונים שלהם לקבוצות הדרכה, אימות ובדיקת בדיקות. שיטות אלה יכולות להוביל לעיבוד יתר, ולהפחית את היכולת של המודלים להגדיל לנתונים חדשים. בנוגע להערכת מודל, מחקרים רבים התבססו במידה רבה על דיוק כמדידת ההערכה העיקרית מבלי להתמודד עם חוסר איזון בכיתות נתונים לזיהוי דיכאון. בעוד כ -74% מהמחקרים השתמשו נקודות החוזק והגבלות של הביקורת סקירה שיטתית זו מתייחסת לתחום המקיף שלה, בה בוחנת דעות קדומות לאורך כל מחזור החיים של ML, החל מדגימה ועד דיווח, בזיהוי דיכאון ברשתות החברתיות. על ידי לא להגביל את האנליזה לאפקטים ספציפיים, סקירה זו מציעה תובנה שלמה של האופן שבו דעות קדומות יכולות להשפיע על תוקף המודל. יציבות נוספת היא הגישה המתודולוגית המבוססת, הדבקה על הנחיות מותאמות עם אסטרטגיה חיפוש מוגדרת היטב וקריטריונים כולל ברורים. התמקדות במחקרים שפורסמו לאחר 2010, היא משקפת את ההתקדמות האחרונה ביישומי ML ו-DL לבריאות הנפש. השימוש בכלים שנקבעו לדירוג דעות קדומות, במיוחד PROBAST, מוסיף קפדנות על ידי הערכה שיטתית של דעות קדומות בתחומים מתודולוגיים מרכזיים.בנוסף, תהליך החילוץ המפורט של הביקורת מסייע לניתוח מובנה, המאפשר זיהוי דפוסים ולספק המלצות אפשריות לפעולה, כגון גיוון מקורות נתונים ושיפור שקיפות. עם זאת, לביקורת יש גם מגבלות. כיסוי מסד הנתונים המוגבל והגבלת באנגלית בלבד עשוי לבטל תובנות בעלות ערך ממחקר שאינו באנגלית, אשר עשוי להשפיע על האופטימיות של הממצאים. התמקדות במחקרים האחרונים (אחרי 2010) עשויה להתעלם מעבודות השפעות קודמות, בעוד ההטרוגניות בעיצובים של מחקרים מונעת השוואות ישירות ומונעת מטה-ניתוח כמותי. יתר על כן, דחף פרסום עלול לפנות את הממצאים לתוצאות חיוביות, וביטול ספרות אפורה פירושו שיטות מתפתחות לא ייקלטו לחלוטין. לבסוף, בעוד שיקולים אתיים הוכרו, חקר עמוק יותר מגבלות אלה מצביעות על תחומים לשיפור במחקר עתידי, כגון הרחבת מסד הנתונים והכיסוי בשפה, כולל ספרות אפורה, וביצוע מטה-ניתוח כאשר אפשרי. השלכות למחקר עתידי כדי להגדיל את הרחבת היכולת וליישם של מודלים של למידה ממוחשבת ולמידה עמוקה בזיהוי דיכאון ברשתות החברתיות, פתרון דעות קדומות מזוהות הוא חיוני. ראשית, גיוון מקורות נתונים על פני פלטפורמות רבות של מדיה חברתית ולהכיל שפות שאינן אנגליות ומדינות מיוצגות פחות יגדילו את הרחבת היכולת ולייצוג.. שיפור שיטות דגימה היא קריטית. שילוב של דגימה מבוססת מילות מפתח עם טכניקות דגימה אקראיות יכול לעזור להפחית דעות קדומות בחירה ולצבור משתמשים שלא עשויים לציין באופן מפורש דיכאון אבל להציג התנהגויות רלוונטיות. בשלב העיבוד הקודם של הנתונים התאמה עקבית ומקיפה של היפרפרמטרים בכל הדגמים היא חיונית כדי להבטיח השוואות הוגנות ולבצע אופטימיזציה של ביצועי המודל. יש ליישם שיטות חלוקת נתונים מתאימות, כולל שימוש במערכות אימות ובדיקות, על מנת למנוע מתאימות יתר ולהעריך את אפשרות הכללת המודל. בעת הערכת מודלים, החוקרים צריכים להעדיף מדדים המייצגים חוסר איזון בכיתות, כגון דיוק, זיכוי, ציון F1 ו- AUROC. מדדים אלה מספקים הערכה מאוזנת יותר של ביצועי המודל והם אינפורמטיביים יותר בהקשר של זיהוי דיכאון, שבו המעמד המיעוט הוא בעל עניין ראשוני. הערות סיום סקירה שיטתית זו מדגישה מגבלות מתודולוגיות משמעותיות במחקר הנוכחי על זיהוי דיכאון באמצעות ניתוח מדיה חברתית באמצעות מודלים למידה מכונה ולימוד עמוק. פתרון מגבלות אלה הוא קריטי כדי לפתח מודלים מדויקים יותר, אמין, כללי שיכולים לזהות באופן יעיל אנשים בסיכון לדיכאון.מחקר עתידי צריך להתמקד במגוון מקורות נתונים, שיפור שיטות דגימה, שיפור שיטות עיבוד מראש נתונים ופיתוח מודלים, ושימוש במדידות הערכה מתאימות כדי להבטיח הערכות מאוזנות ומשמעותיות. על ידי התקדמות גישות מתודולוגיות אלה, החוקרים יכולים לתרום להתקדמות של כלים זיהוי בריאות הנפש כי הם מוסריים מוצדקים ויעילים ברחבי אוכלוסיות שונות ופלטפורמות התקדמות כזו יש את הפוטנציאל להקל על אסטרטגיות התערבות מוקדמת, ובסופו של דבר לשפר את תוצאות בריאות הנפש בקנה מידה עולמי. מחקרים על מודלים למידה מכונה לזיהוי דיכאון ברשתות החברתיות התייחסות : Agarwal, A. K., Mittal, J., Tran, A., סוחר, R., & Guntuku, S. C. (2023). חקירה מדיה חברתית כדי להעריך רפואה חירום רופאים 'רווחה רגשית במהלך COVID19. JAMA רשת פתוחה, 6(5), e2312708. https://doi.org/10.1001/jamanetworkopen.2023.12708 Angskun, J., Tipprasert, S., & Angskun, T. (2022). ניתוח נתונים גדולים ברשתות חברתיות לזיהוי דיכאון בזמן אמת. J נתונים גדולים, 9(1), 69. https://doi.org/10.1186/s40537-022- 00622-2 Baghdadi, N. A., Malki, A., Magdy Balaha, H., AbdulAzeem, Y., Badawy, M., & Elhosseini, M. (2022). גישה למידה עמוקה אופטימלית לזיהוי התאבדות באמצעות טוויטים ערביים. PeerJ Comput Sci, 8, e1070. https://doi.org/10.7717/peerj-cs.1070 Baird, A., Xia, Y., & Cheng, Y. (2022). תפיסות הצרכן של בריאות מרחוק לבריאות הנפש או התעללות בסמים: ניתוח מודל נושא מבוסס טוויטר. JAMIA פתוח, 5(2), ooac028. https://doi.org/10.1093/jamiaopen/ooac028 Beierle, F., Pryss, R., & Aizawa, A. (2023). רגשות על בריאות הנפש בטוויטרלפני ובמהלך COVID-19 פנדמיקה. בריאות (באזל), 11(21). https://doi.org/10.3390/healthcare11212893 Bishop, C. M. (2006). זיהוי דפוסים ולמידה מכונה. Springer. תיאור מפרסם http://www.loc.gov/catdir/enhancements/fy0818/2006922522-d.html Borba de Souza, V., Campos Nobre, J., & Becker, K. (2022). DAC Stacking: תזמורת למידה עמוקה כדי להגדיר חרדה, דיכאון, ואת המחלוקת שלהם טקסטים Reddit. IEEE J Biomed Health Inform, 26(7), 3303-3311. https://doi.org/10.1109/JBHI.2022.3151589 Calvo, R. A., Milne, D. N., Hussain, M. S., & Christensen, H. (2017). עיבוד שפה טבעית ביישומים לבריאות הנפש באמצעות טקסטים לא קליניים. הנדסת שפה טבעית, 23(5), 649-685. https://doi.org/10.1017/S1351324916000383 Chandler, J., & Shapiro, D. (2016). ביצוע מחקר קליני באמצעות דגימות נוחות קהילתית. Annu Rev Clin Psychol, 12, 53-81. https://doi.org/10.1146/annurevclinpsy-021815-093623 Chandra, R., & Krishna, A. (2021). COVID-19 ניתוח רגשות באמצעות למידה עמוקה במהלך עליית מקרים חדשים. PLoS אחד, 16(8), e0255615. https://doi.org/10.1371/journal.pone.0255615 Chawla, N., Japkowicz, N., & Kołcz, A. (2004). עורך דין: נושא מיוחד על למידה ממערכות נתונים לא מאוזנות. SIGKDD Explorations, 6, 1-6. https://doi.org/10.1145/1007730.1007733 Chen, L., Gong, T., Kosinski, M., Stillwell, D., & Davidson, R. L. (2017). בניית פרופיל של רווחה סובייקטיבית עבור משתמשי מדיה חברתית. PLoS אחד, 12(11), e0187278. https://doi.org/10.1371/journal.pone.0187278 Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). גישה מבוססת טקסט עם גישה לזיהוי דיכאון באמצעות מגדלי למידה מכונה טקסטים מדיה חברתית. Comput Biol Med, 135, 104499. https://doi.org/10.1016/j.compbiomed.2021.104499 Claesen, M., & De Moor, B. (2015). חיפוש היפרפרפרמטרים בלימוד מכונה. Danet, B., & Herring, S. C. (2007). האינטרנט הרב-לשוני: שפה, תרבות ותקשורת באינטרנט. Das Swain, V., Ye, J., Ramesh, S. K., Mondal, A., Abowd, G. D., & De Choudhury, M. (2024). שימוש במדיה החברתית כדי לחזות הפרעות הנגרמות COVID-19 לבריאות הנפש בקרב סטודנטים באוניברסיטה: מחקר מודלים. JMIR טופס Res, 8, e52316. https://doi.org/10.2196/52316 Davis, B. D., McKnight, D. E., Teodorescu, D., Quan-Haase, A., Chunara, R., Fyshe, A., & Lizotte, D. J. (2020). כמות שפה קשורה דיכאון ברשתות החברתיות במהלך פנדמיקה COVID-19. Int J Popul Data Sci, 5(4), 1716. https://doi.org/10.23889/ijpds.v5i4.1716 De Anta, L., Alvarez-Mon, M. A., Ortega, M. A., Salazar, C., Donat-Vargas, C., SantomaVilaclara, J., Martin-Martinez, M., Lahera, G., Gutierrez-Rojas, L., Rodriguez-Jimenez, R., Quintero, J., & Alvarez-Mon, M. (2022). אזורים של עניין וחשיבה חברתית של נוגדי דיכאון על טוויטים באנגלית: מחקר של דירוג עיבוד שפה טבעית. J Pers Med, 12(2). https://doi.org/10.3390/jpm12020155 De Choudhury, M., Counts, S., & Horvitz, E. (2013). מדיה חברתית ככלי למדידה של דיכאון באוכלוסייה. De Choudhury, M., Gamon, M., Counts, S., & Horvitz, E. (2013). תחזית דיכאון באמצעות מדיה חברתית. Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: הכשרה מוקדמת של טרנספורמנטים דו-כיווניים עמוקים להבנת שפה. https://arxiv.org/abs/1810.04805 Doan, S., Ritchart, A., Perry, N., Chaparro, J. D., & Conway, M. (2017). איך אתה #relax כאשר אתה #stressed? ניתוח תוכן ו Infodemiology מחקר של Tweets הקשורים ללחץ. סקר בריאות הציבור JMIR, 3(2), e35. https://doi.org/10.2196/publichealth.5939 פרננדז, A., García, S., Galar, M., Prati, R., Krawczyk, B., & Herrera, F. (2018). למידה ממערכות נתונים לא מאוזנות. https://doi.org/10.1007/978-3-319-98074-4 Goodfellow, I., Bengio, Y., & Courville, A. (2016). למידה עמוקה. Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). לימוד ביטויים של בדידות אצל אנשים באמצעות טוויטר: מחקר תצפיתי. BMJ פתוח, 9(11), e030355. https://doi.org/10.1136/bmjopen2019-030355 Guntuku, S. C., Yaden, D. B., Kern, M. L., Ungar, L. H., & Eichstaedt, J. C. (2017). זיהוי דיכאון ומחלות נפשיות במדיה החברתית: סקירה משולבת. חוות דעת נוכחית בפסיכולוגיה, 18, 43-49. https://doi.org/10.1016/j.copsyc.2017.07.005 Hargittai, E. (2015). האם גדול יותר תמיד טוב יותר? דעות קדומות פוטנציאליות של נתונים גדולים הנובעים מאתרי רשתות חברתיות. האקדמיה האמריקאית למדעי המדינה והחברה, 659, 63-76. http://www.jstor.org/stable/24541849 Hastie, T., Friedman, J. H., & Tibshirani, R. (2009). אלמנטים של למידה סטטיסטית: ייבוא נתונים, תפיסה, ותחזית. IEEE עסקאות על ידע ונדסת נתונים, 21(9), 1263-1284. https://doi.org/10.1109/TKDE.2008.239 Helmy, A., Nassar, R., & Ramdan, N. (2024). זיהוי דיכאון למשתמשי טוויטר באמצעות ניתוח רגשות בטוויטים באנגלית וערבית. Artif Intell Med, 147, 102716. https://doi.org/10.1016/j.artmed.2023.102716 Islam, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., & Ulhaq, A. (2018). זיהוי דיכאון מהנתונים ברשתות חברתיות באמצעות טכניקות למידה מכונה. בריאות Inf Sci Syst, 6(1), 8. https://doi.org/10.1007/s13755-018-0046-0 Jamali, A. A., Berger, C., & Spiteri, R. J. (2023). זיהוי רגשות דיכאון זמניים באמצעות X (לשעבר טוויטר) נתונים: גישה לשפה הקשר. JMIR AI, 2, e49531. https://doi.org/10.2196/49531 Japkowicz, N. (2013). מדדי הערכה למידה לא מאוזנת. המכון להנדסי חשמל ואלקטרוניקה, Inc. https://doi.org/10.1002/9781118646106 Japkowicz, N., & סטיבן, S. (2002). הבעיה חוסר איזון כיתה: מחקר שיטתי. אינטל. נתונים אנאלי, 6, 429-449. https://doi.org/10.3233/IDA-2002-6504 Johnson, K. I., Andersson, G., & Carlbring, P. (2019). שימוש באינטרנט כדי להתמודד עם בעיות פסיכולוגיות: הטוב, הרע, והרע. עיתון הבינלאומי של מחקר סביבתי ובריאות הציבור, 16(23), 4593. https://doi.org/10.3390/ijerph16234593 Kaur, H., Ahsaan, S. U., Alankar, B., & Chang, V. (2021). ניתוח רגשות מוצע אלגוריתם למידה עמוקה לניתוח COVID-19 Tweets. Inf Syst Front, 23(6), 1417-1429. https://doi.org/10.1007/s10796-021-10135-7 Kavuluru, R., Williams, A. G., Ramos-Morales, M., Haye, L., Holaday, T., & Cerel, J. (2016). דירוג הערות שימושיות בפורומים Online Suicide Watch. ACM BCB, 2016, 32-40. https://doi.org/10.1145/2975167.2975170 Kelley, S. W., Mhaonaigh, C. N., Burke, L., Whelan, R., & Gillan, C. M. (2022). למידה מכונה של שימוש בשפה בטוויטר מגלה תחזיות חלשות ולא ספציפיות. NPJ Digit Med, 5(1), 35. https://doi.org/10.1038/s41746-022-00576-y Kessler, R. C. B., P.; Demler, O.; ג 'ין, R.; וולטרס, E. E. (2005). התפשטות במהלך החיים והגיל של התפשטות של הפרעות DSM-IV ב National Comorbidity Survey Replication. Archives of General Psychiatry, 62(6), 593-602. https://doi.org/10.1001/archpsyc.62.6.593 Khandelwal, A., & Sawant, S. (2020). NegBERT: גישה למידה העברה לזיהוי שליטה ופתרון היקף. Kim, J., Lee, J., Park, E., & Han, J. (2020). מודל למידה עמוקה לזיהוי מחלות נפשיות מתוכן המשתמש ברשתות החברתיות. Sci Rep, 10(1), 11846. https://doi.org/10.1038/s41598- 020-68764-y Levanti, D., Monastero, R. N., Zamani, M., Eichstaedt, J. C., Giorgi, S., Schwartz, H. A., & Meliker, J. R. (2023). דיכאון וחרדה בטוויטר במהלך תקופת COVID-19 להישאר בבית ב 7 ערים גדולות בארה"ב. AJPM Focus, 2(1), 100062. https://doi.org/10.1016/j.focus.2022.100062 Li, Y., Cai, M., Qin, S., & Lu, X. (2020). זיהוי רגשות דיכאון וניתוח התנהגותי של גברים שיש להם יחסי מין עם גברים באמצעות מדיה חברתית. פניה פסיכיאטריה, 11, 830. https://doi.org/10.3389/fpsyt.2020.00830 Low, D. M., Rumker, L., Talkar, T., Torous, J., Cecchi, G., & Ghosh, S. (2020). עיבוד שפה טבעית מגלה קבוצות תמיכה בריאות נפשית פגיעות וחרדה בריאותית מוגברת על Reddit במהלך COVID-19: מחקר תצפיתי. J Med Internet Res, 22(10), e22635. https://doi.org/10.2196/22635 Morstatter, F. P., Jürgen; Liu, Huan; Carley, Kathleen M. (2013). האם הדגימה טובה מספיק? השוואת נתונים מ- twitter's streaming API עם טוויטר's firehose 7th International AAAI Conference on Weblogs and Social Media, ICWSM 2013, http://www.scopus.com/inward/record.url?scp=84892704954&partnerID=8YFLogxK ד, א. (2018). מכונת למידה שנה. https://info.deeplearning.ai/machine-learningyearning-book Ng, Q. X., Lim, Y. L., Ong, C., New, S., Fam, J., & Liew, T. M. (2024). Hype או תקווה? Ketamine לטיפול בדיכאון: תוצאות של יישום למידה עמוקה לפוסטים בטוויטר מ 2010 עד 2023. פניה פסיכיאטריה, 15, 1369727. https://doi.org/10.3389/fpsyt.2024.1369727 Obagbuwa, I. C., Danster, S., & Chibaya, O. C. (2023). מודלים ללימוד מכונה לשליטה לניתוח רגשות דיכאון. Front Artif Intell, 6, 1230649. https://doi.org/10.3389/frai.2023.1230649 Olteanu, A., Castillo, C., Diaz, F., & Kiciman, E. (2019). נתונים חברתיים: דעות קדומות, תקלות מתודולוגיות וגבולות אתיים. Front Big Data, 2, 13. https://doi.org/10.3389/fdata.2019.00013 Ophir, Y., Tikochinski, R., Asterhan, C. S. C., Sisso, I., & Reichart, R. (2020). רשתות נוירליות עמוקות לזהות סיכון להתאבדות מ הודעות טקסט בפייסבוק. Sci Rep, 10(1), 16685. https://doi.org/10.1038/s41598-020-73917-0 ארגון, W. H. (2020). דיכאון https://www.who.int/news-room/factsheets/detail/ דיכאון Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). האפשרות להתערבות מוקדמת בטיפול רפואי על ידי זיהוי דיכאון במשתמשי פורומים מבוססי אינטרנט באמצעות מודלים שפה: ניתוח ארוכי טווח והערכה. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 Owen, D., Antypas, D., Hassoulas, A., Pardinas, A. F., Espinosa-Anke, L., & Collados, J. C. (2023). האפשרות להתערבות טיפול רפואי מוקדם על ידי זיהוי דיכאון במשתמשים של פורומים מבוססי אינטרנט באמצעות מודלים שפה: ניתוח ארוכי טווח והערכה. JMIR AI, 2, e41205. https://doi.org/10.2196/41205 עם נתונים בזמן אמת ולימוד מכונה. Npj Ment Health Res, 3(1), 3. https://doi.org/10.1038/s44184-023-00045-8 טוויטר, V. M., Matos, S., Alvarez, M., Cacheda, F., & Oliveira, J. L. (2014). טוויטר: מקום טוב לזיהוי מצבים בריאותיים. PLoS אחד, 9(1), e86191. https://doi.org/10.1371/journal.pone.0086191 Probst, P., Boulesteix, A.-L., & Bischl, B. (2019). התאמה: חשיבות ההיפרפרפרמטרים של אלגוריתמים למידה מכונה. Journal of Machine Learning Research, 20(53), 1-32. Roy, A., Nikolitch, K., McGinn, R., Jinah, S., Klement, W., & Kaminsky, Z. A. (2020). גישה למידה מכונה מצפה סיכון עתידי של רעיונות התאבדות מנתוני מדיה חברתית. NPJ Digit Med, 3, 78. https://doi.org/10.1038/s41746-020-0287-6 Rude, S., Gortner, E.-M., & Pennebaker, J. (2004). שימוש בשפה של תלמידי מכללה מדוכאים ודיכאון פגיעים. זיהוי ורגשות, 18(8), 1121-1133. https://doi.org/10.1080/02699930441000030 Saha, K., Yousuf, A., Boyd, R. L., Pennebaker, J. W., & De Choudhury, M. (2022). דיונים מדיה חברתית לחזות ייעוץ בריאות הנפש בקמפוסים מכללות. Sci Rep, 12(1), 123. https://doi.org/10.1038/s41598-021-03423-4 Shatte, A. B. R., Hutchinson, D. M., Fuller-Tyszkiewicz, M., & Teague, S. J. (2020). מסמנים מדיה חברתית כדי לזהות אבות בסיכון לדיכאון לאחר הלידה: גישה למידה מכונה. Cyberpsychol Behav Soc Netw, 23(9), 611-618. https://doi.org/10.1089/cyber.2019.0746 Shatte, A. B. R., Hutchinson, D. M., & Teague, S. J. (2019). למידה מכונה בבריאות הנפש: סקירה מקיפה של שיטות ויישומים. רפואה פסיכולוגית, 49(9), 1426-1448. https://doi.org/10.1017/S0033291719000151 Singh, A., & Singh, J. (2022). סינתזה של ביטויים רגשיים ואינטליגנציה מלאכותית כדי לגלות סבל נפשי בקהילה מקוונת. Int J Ment Health Addict, 1-26. https://doi.org/10.1007/s11469-022-00966-z Sun, B., Zhang, Y., He, J., Xiao, Y., & Xiao, R. (2019). רשת אבחון אוטומטית המשתמשת בהסתגלות תחום דיסקרטיבי נגד עוצמתית כדי להעריך את חומרת הדיכאון. תוכניות שיטות מחשב Biomed, 173, 185-195. https://doi.org/10.1016/j.cmpb.2019.01.006 pnarekha, H., Nayak, J., Behera, H. S., Dash, P. B., & Pelusi, D. (2023). גישה למידה עמוקה המבוססת על אלגוריתם אש אופטימי לניתוח רגשות של COVID-19 טוויטים. מתמטיקה Biosci Eng, 20(2), 2382-2407. https://doi.org/10.3934/mbe.2023112 Thorstad, R., & Wolff, P. (2019). תחזית מחלות נפשיות עתידיות מהמדיה החברתית: גישה נתונים גדולים. Behav Res Methods, 51(4), 1586-1600. https://doi.org/10.3758/s13428-019- 01235-z Trifan, A., Semeraro, D., Drake, J., Bukowski, R., & Oliveira, J. L. (2020). מכרות מדיה חברתית עבור תחזית דיכאון לאחר הלידה. Stud Health Technol Inform, 270, 1391-1392. https://doi.org/10.3233/SHTI200457 Ueda, M., Watanabe, K., & Sueki, H. (2023). תיקון: חרדה רגשית במהלך COVID-19 על ידי תנאים בריאותי נפשי ואובדנות כלכלית: ניתוח רטרוספקטיבי של נתוני טוויטר מחוברים סקר עם אלגוריתם למידה ממוחשבת חצי. J Med Internet Res, 25, e47549. https://doi.org/10.2196/47549 Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., Mallett, S., & Group, P. (2019). PROBAST: כלי כדי להעריך את הסיכון של דעות קדומות ויישומי מחקרים מודל תחזית. Annals של רפואה פנימית, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wolff, R. F., Moons, K. G. M., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., Mallett, S., & Group, P. (2019). PROBAST: כלי כדי להעריך את הסיכון של דעות קדומות ויישומי מחקרים מודל תחזית. Annals של רפואה פנימית, 170(1), 51-58. https://doi.org/https://doi.org/10.7326/M18-1376 Wongkoblap, A., Vadillo, M. A., & Curcin, V. (2021). למידה עמוקה עם Anaphora החלטה לזיהוי טוויטר עם דיכאון: פיתוח אלגוריתם ומחקר אימות. JMIR מנט בריאות, 8(8), e19824. https://doi.org/10.2196/19824 Yang, L., & Shami, A. (2020). על אופטימיזציה hyperparameter של אלגוריתם למידה מכונה: תיאוריה ופרקטיקה. Neurocomputing, 415, 295-316. https://doi.org/https://doi.org/10.1016/j.neucom.2020.07.061 Yao, H., Rashidian, S., Dong, X., Duanmu, H., Rosenthal, R. N., & Wang, F. (2020). זיהוי התאבדות בקרב משתמשי אופויד על Reddit: גישה מבוססת למידה מכונה. J Med Internet Res, 22(11), e15293. https://doi.org/10.2196/15293 Yazdavar, A. H., Al-Olimat, H. S., Ebrahimi, M., Bajaj, G., Banerjee, T., Thirunarayan, K., Pathak, J., & Sheth, A. (2017). גישה משולבת למעקב אחר תסמיני דיכאון קליניים במדיה החברתית. Proc IEEE ACM Int Conf Adv Soc Netw Anal Min, 2017, 1191-1198. https://doi.org/10.1145/3110025.3123028 Yazdavar, A. H., Mahdavinejad, M. S., Bajaj, G., Romine, W., Sheth, A., Monadjemi, A. H., Thirunarayan, K., Meddar, J. M., Myers, A., Pathak, J., & Hitzler, P. (2020). ניתוח בריאות הנפש מולטימודלי במדיה החברתית. PLoS אחד, 15(4). https://doi.org/10.1371/journal.pone.0226248 Yin, Z., Fabbri, D., Rosenbloom, S. T., & Malin, B. (2015). מסגרת מתוחכמת לזיהוי הודעות בריאות אישיות בטוויטר. J Med Internet Res, 17(6), e138. https://doi.org/10.2196/jmir.4305 Zhou, T. H., Hu, G. L., & Wang, L. (2019). שיטת זיהוי הפרעה פסיכולוגית המבוססת על תפיסה רגשית ברשתות חברתיות. Int J Environ Res בריאות הציבור, 16(6). https://doi.org/10.3390/ijerph16060953 Zogan, H., Razzak, I., Wang, X., Jameel, S., & Xu, G. (2022). זיהוי דיכאון מוסבר עם תכונות רב-אפקטים באמצעות מודל למידה עמוקה היברידית במדיה החברתית. World Wide Web, 25(1), 281-304. https://doi.org/10.1007/s11280-021-00992-2 סופרים : (1) Yuchen Cao, מכללת Khoury למדעי המחשב, אוניברסיטת צפון מזרח; (2) Jianglai Dai, מחלקת EECS, אוניברסיטת קליפורניה, ברקלי; (3) Zhongyan Wang, המרכז למדעי נתונים, אוניברסיטת ניו יורק; (4) Yeyubei Zhang, בית הספר להנדסה ומדעי יישום, אוניברסיטת פנסילבניה; (5) Xiaorui Shen, מכללת Khoury למדעי המחשב, אוניברסיטת צפון מזרח; (6) Yunchong Liu, בית הספר להנדסה ומדעי יישום, אוניברסיטת פנסילבניה; (7) Yexin Tian, מכון הטכנולוגיה של ג'ורג'יה, מכללת מחשבים. Authors: (1) Yuchen Cao, מכללת Khoury למדעי המחשב, אוניברסיטת צפון מזרח; (2) Jianglai Dai, מחלקת EECS, אוניברסיטת קליפורניה, ברקלי; (3) Zhongyan Wang, המרכז למדעי נתונים, אוניברסיטת ניו יורק; (4) Yeyubei Zhang, בית הספר להנדסה ומדעי יישום, אוניברסיטת פנסילבניה; (5) Xiaorui Shen, מכללת Khoury למדעי המחשב, אוניברסיטת צפון מזרח; (6) Yunchong Liu, בית הספר להנדסה ומדעי יישום, אוניברסיטת פנסילבניה; (7) Yexin Tian, מכון הטכנולוגיה של ג'ורג'יה, מכללת מחשבים. מאמר זה זמין ב-archiv תחת רישיון CC BY 4.0. מאמר זה זמין ב-archiv תחת רישיון CC BY 4.0.