
 
 
 
 
 
 
 
 
 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. שולחן שמאל 
 
 
 
 
 abstract והכניסה מתודולוגיה תוצאות דיון ותייחסות abstractעריכה הדו"ח המתאים לדיווח העולמי של דיכאון דורש שיטות זיהוי נתונים חדשניות להתערבות מוקדמת. מדיה חברתית מספקת הזדמנות ייחודית לזיהוי דיכאון באמצעות הודעות שנוצרו על ידי משתמשים. סקירה שיטתית זו מעריכה מודלים למידה ממוחשבת (ML) עבור זיהוי דיכאון פוטנציאל על מדיה חברתית, תוך התמקדות בפיזיזוסים ואתגרים מתודולוגיים לאורך מחזור החיים של ML. חיפוש של PubMed, IEEE Xplore, ו- Google Scholar זיההה 47 מחקרים רלוונטיים שפורסמו לאחר 2010. מודל ההנחה הזה מתמקד במשתמשים עתידיים ב- Health Risk Of Bias ASsessment Tool (PROBAST הוצאת דיכאון ותנאים אחרים בריאות הנפש הופיעו כמו חששות בריאותיים גלובליים משמעותיים, המשפיעים על יותר מ 264 מיליון אנשים ברחבי העולם, על פי ארגון הבריאות העולמי (WHO, 2020). התפשטות הולכת וגוברת של בעיות בריאות הנפש מדגישה את הצורך הדחוף אסטרטגיות זיהוי יעיל והתערבות. זיהוי מוקדם של דיכאון יכול להוביל לטיפול בזמן ותוצאות טובות יותר, בסופו של דבר להפחית את העומס על המטופלים, מטפלים שלהם, ומערכות הבריאות (Kessler et al., 2017). בעידן הדיגיטלי של היום, פלטפורמות מדיה חברתית כמו טוויטר, פייסבוק ו- Reddit משחקות תפקיד מרכזי בחיי היומיום של מיליוני אנשים. הפלטפורמות האלה לא רק להקל על תקשורת, אלא גם לשמש כנקודות ציבוריות שבהן אנשים מבטאים באופן פתוח את מחשבותיהם, רגשותיהם ומצבי נפשם (Choudhury et al., 2013). התוכן המקיף שנוצר על ידי משתמשים בפלטפורמות אלה מספק הזדמנות ייחודית למחקר בריאות הנפש, המאפשר ניתוח בזמן אמת של דפוסי שפה ומגמות התנהגות, ומספק תובנות שאולי אינן זמינות אחרת (Guntuku et al., 2017). ההתקדמות בלימוד מכונה ולמידה עמוקה שיפרה באופן משמעותי את היכולת לעבד ולנתח קבוצות נתונים בקנה מידה גדול. טכנולוגיות אלה מתאימות במיוחד לטיפול בנתונים המורכבים והניואנסים שנמצאים ברשתות החברתיות, שכן הן יכולות לזהות דפוסים ולבצע תחזיות המבוססות על רמזים טקסטיים והתנהגותיים. היכולת הזו הופכת אותם לכלי ערך לזיהוי בריאות הנפש, ומאפשרת לחוקרים לפתח מודלים שיכולים לזהות אנשים בסיכון בהתבסס על פעילותם ברשתות החברתיות (Shatte et al., 2019). סקירה כללית של מחקרים היסטוריים על גישות למידה מכונה לזיהוי בריאות הנפש במדיה החברתית אלגוריתמים שונים – מהטכניקות המסורתיות ללימוד מכונה כגון רגרסיה לוגיסטית ומכונות וקטור תמיכה למודלים מתקדמים של למידה עמוקה ושיטות קבוצתיות – שימשו כדי לסווג פוסטים של משתמשים ולחזות מצבים בריאותיים בהתבסס על תכונות שפה וסמנטיות (De Choudhury et al., 2013; Yazdavar et al., 2020). אחת הגישות הנפוצות ביותר במחקר זה כוללת ניתוח רגשות, שמטרתה לקבוע את הטון הרגשי של תוכן שנוצר על ידי משתמשים. על ידי הערכת רגשות חיוביים, שליליים או נייטרליים המוצגים בפוסטים, חוקרים מנסים לקשר דפוסי שפה עם אינדיקטורים של דיכאון (Kumar et al., 2020). לדוגמה, שימוש מוגבר של תולעים בודדים אישיים ראשונים ומילים רגשות שליליים קשורות לתסמינים דיכאון (Rude et al., 2004). למרות תוצאות מבטיחות אלה, אתגרים מרובים נמשכים. ראשית, מחקרים רבים סובלים מעלייה מוגבלת בשל דגימות קטנות או הומוגניות שעשויות לא לייצג את האוכלוסייה הרחבה יותר. דחיית נתונים היא דאגה משמעותית, שנגרמת מהייצג יתר של קבוצות דמוגרפיות מסוימות או קהילות שפות תוך ייצוג נמוך של אחרות (Olteanu et al., 2019). יתר על כן, חוסר שיטות דגימה חזקות ופרוטוקולים סטנדרטיים מונעים את האמינות של הממצאים. שלישית, שימוש נמוך במודלים ללימוד מכונה מתקדמים, יחד עם טיפול לא מספיק של גוונים שפותיים מורכבים, כגון סרקזמה או משמעויות תלויות חסרונות המחקר והמטרות של המחקר הנוכחי בעוד מחקרים בודדים סיפקו תובנות בעלות ערך על יישום הלמידה המכונה לזיהוי בריאות הנפש, עדיין קיים מחסור מובהק בביקורות מקיפות המשלבות את האפקטיביות של מודלים למידה מכונה ברחבי מחקרים שונים. כפי שהוזכר, הספרות הנוכחית לעתים קרובות חסרה בפתרון אתגרים מתודולוגיים מרכזיים לאורך כל מחזור החיים של יישומי הלמידה המכונה ולמידה עמוקה, כולל דגימה, עיבוד מקדים של נתונים, בניית מודלים והערכה (Johnson et al., 2019). למרות שההפרעות והגבלות נבדקו בתוך כמה מחקרים בודדים על ידי המחברים שלהם, ההשלכות הרחבות שלהם בכל יישומי הלמידה המכונה וטכניקות למידה עמ כדי לפתור את הפערים הללו, מחקר זה שואף לבצע סקירה שיטתית אשר סינתזה ומעריכה מודלים למידה מכונה קיימים לזיהוי דיכאון ברשתות החברתיות. לבחון את האפקטיביות של מודלים למידה מכונה ולמידה עמוקה על ידי התמקדות בהפרעות נוכחיות במדגם, עיבוד מוקדם של נתונים, בניית מודלים, התאמה מעמיקה, הערכה והשוואה, כמו גם את האתגרים הקשורים לגלולת מודלים על פני פלטפורמות מדיה חברתית שונות. לחקור את האתגרים המתודולוגיים, כולל אלה ייחודיים לזיהוי בריאות הנפש – כגון התמודדות עם חוסר איזון בכיתות שבהן פוסטים מדוכאים הם המיעוט ועיבוד מוקדם לניתוח רגשות הכולל הכחשות. יתר על כן, אתגרים כלליים יותר של למידה מכונה, כגון שיפור טכניקות הערכת מודלים וטיפול בהפרעות נתונים הקשורות לגורמים ספציפיים לשפה ולפלטפורמה, ממשיכים להתקיים. לספק המלצות למחקר עתידי כדי לשפר את האמינות והאפליקציה של מודלים למידה מכונה בזיהוי בריאות הנפש.הבנות אלה נועדו ליידע אסטרטגיות שמשפרות את המאמצים להתערבות מוקדמת ולתרום לפיתוח יישומים חזקים יותר, כללי, ואתיים יותר למידה מכונה.בכך, הביקורת שואפת לספק הדרכה המשלבת את הפער שנותר על ידי הפרקטיקה הנוכחית, שבהיעדר הנחיות רשמיות הוביל לפעמים להתעקשות של דעות קדומות לא רצויות. על ידי פתרון מטרות אלה, סקירה זו שואפת לספק הבנה מקיפה של השיטות הנוכחיות וההגבלות בתחום.הממצאים נועדו להדריך את המאמצים העתידיים לקראת פיתוח יישומי למידה מכונתית חזקים יותר, כלליים ואתיים טובים יותר לזיהוי בריאות הנפש באמצעות נתוני מדיה חברתית. 
 
 מאמר זה זמין ב-archiv תחת רישיון CC BY 4.0. מאמר זה זמין ב-archiv תחת רישיון CC BY 4.0.

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

MediaBias.TECH

We publish deeply researched (and often vastly underread) academic papers about our collective omnipresent media bias.

האם אתם יודעים מתי אתם מדוכאים?

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

The TechBeat: How to Implement a Merkle Tree in Solidity (10/26/2023)

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

The TechBeat: 5 Low-Cost Cybersecurity Measures SMBs Can’t Afford to Not Implement (3/4/2024)

The TechBeat: Everything You Need to Know to Implement Generative AI for Your Enterprise (3/12/2024)

The TechBeat: How to Implement a Merkle Tree in Solidity (10/26/2023)

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

The TechBeat: 5 Low-Cost Cybersecurity Measures SMBs Can’t Afford to Not Implement (3/4/2024)

The TechBeat: Everything You Need to Know to Implement Generative AI for Your Enterprise (3/12/2024)

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps