
 
 
 
 
 
 
 
 
 Autorių : (1) Yuchen Cao, Khoury kompiuterių mokslo koledžas, Šiaurės rytų universitetas; (2) Jianglai Dai, EECS katedra, Kalifornijos universitetas, Berkeley; (3) Zhongyan Wang, Duomenų mokslo centras, Niujorko universitetas; (4) Yeyubei Zhang, inžinerijos ir taikomųjų mokslų mokykla, Pensilvanijos universitetas; (5) Xiaorui Shen, Khoury kompiuterių mokslo koledžas, Šiaurės rytų universitetas; (6) Yunchong Liu, inžinerijos ir taikomųjų mokslų mokykla, Pensilvanijos universitetas; (7) Yexin Tian, Gruzijos technologijos institutas, Kompiuterių kolegija. Authors: (1) Yuchen Cao, Khoury kompiuterių mokslo koledžas, Šiaurės rytų universitetas; (2) Jianglai Dai, EECS katedra, Kalifornijos universitetas, Berkeley; (3) Zhongyan Wang, Duomenų mokslo centras, Niujorko universitetas; (4) Yeyubei Zhang, inžinerijos ir taikomųjų mokslų mokykla, Pensilvanijos universitetas; (5) Xiaorui Shen, Khoury kompiuterių mokslo koledžas, Šiaurės rytų universitetas; (6) Yunchong Liu, inžinerijos ir taikomųjų mokslų mokykla, Pensilvanijos universitetas; (7) Yexin Tian, Gruzijos technologijos institutas, Kompiuterių kolegija. Stalas kairėje 
 
 
 
 
 Abstrakcija ir įvadas metodologijos Rezultatai Diskusijos ir nuorodos Abstrakcijos Globalios ataskaitos apie tinkamą depresija padidėjimą reikalauja naujoviškų duomenų aptikimo metodų ankstyvam įsikišimui. Socialinė žiniasklaida suteikia unikalią galimybę nustatyti depresiją per naudotojų sukurtus pranešimus. Ši sisteminė apžvalga vertina mašininio mokymosi (ML) modelius, skirtus depresijos aptikimui socialinėje žiniasklaidoje, daugiausia dėmesio skiriant prietarams ir metodologiniams iššūkiams per ML gyvavimo ciklą. Buvo nustatyta PubMed, IEEE Xplore ir "Google Scholar" paieška. Yra dominuojanti priklausomybė nuo "Twitter" (63,8%) ir "Englishlanguage" turinio (daugiau nei 90%), o dauguma tyrimų, kuriuose daugiausia dėmesio skiriama Įvadas Depresija ir kitos psichikos sveikatos sąlygos atsirado kaip reikšmingos pasaulinės sveikatos problemos, turinčios įtakos daugiau nei 264 milijonams žmonių visame pasaulyje, pagal Pasaulio sveikatos organizaciją (PSO, 2020). Didėjantis psichikos sveikatos problemų paplitimas pabrėžia skubų veiksmingų aptikimo ir intervencijos strategijų poreikį. Ankstyvas depresijos nustatymas gali lemti savalaikį gydymą ir geresnius rezultatus, galiausiai sumažinant pacientų, jų globėjų ir sveikatos priežiūros sistemų naštą (Kessler et al., 2017). Šiandienos skaitmeniniame amžiuje socialinės žiniasklaidos platformos, tokios kaip „Twitter“, „Facebook“ ir „Reddit“, vaidina svarbų vaidmenį milijonų žmonių kasdieniame gyvenime. Šios platformos ne tik palengvina bendravimą, bet ir tarnauja kaip viešosios priemonės, kuriose žmonės atvirai išreiškia savo mintis, emocijas ir psichikos būsenas (Choudhury ir kt., 2013). Šiose platformose plačiai naudojamas vartotojų sukurtas turinys suteikia unikalią galimybę psichikos sveikatos tyrimams, leidžiančiam realaus laiko kalbos modelių ir elgesio tendencijų analizę ir teikiant įžvalgas, kurios kitaip gali būti neprieinamos (Guntuku ir kt., 2017). Mašininio mokymosi ir giliojo mokymosi pažanga žymiai pagerino gebėjimą apdoroti ir analizuoti didelio masto duomenų rinkinius. Šios technologijos ypač tinka tvarkyti sudėtingus ir niuansinius duomenis, esančius socialinėje žiniasklaidoje, nes jos gali identifikuoti modelius ir prognozuoti pagal tekstinius ir elgesio požymius. Ši galimybė daro juos vertingais psichikos sveikatos aptikimo įrankiais, leidžiančiais mokslininkams kurti modelius, kurie gali identifikuoti asmenis, kuriems gresia pavojus, remiantis jų socialinės žiniasklaidos veikla (Shatte et al., 2019). Naudojant algoritmus, galinčius mokytis iš tekstinių ir elgesio požymių, mokslininkai gali kurti modelius, kurie prisideda prie ank Istorinių tyrimų apie mašininio mokymosi metodus psichikos sveikatos aptikimui socialinėje žiniasklaidoje apžvalga Įvairūs algoritmai – nuo tradicinių mašininio mokymosi metodų, tokių kaip logistinė regresija ir pagalbinės vektorinės mašinos, iki pažangių giliųjų mokymosi modelių ir ansamblių metodų – buvo naudojami klasifikuojant vartotojų pranešimus ir prognozuojant psichikos sveikatos sąlygas remiantis kalbinėmis ir semantinėmis savybėmis (De Choudhury et al., 2013; Yazdavar et al., 2020). Vienas iš labiausiai paplitusių požiūrių šiame tyrime yra sentimentalumo analizė, kuria siekiama nustatyti emocinį vartotojo sukurto turinio toną. Vertinant teigiamus, neigiamus ar neutralius jausmus, išreikštus pranešimuose, mokslininkai bando susieti kalbos modelius su depresijos rodikliais (Kumar et al., 2020). Pavyzdžiui, padidėjęs pirmojo asmens unikalių pronomų ir neigiamų emocijų žodžių naudojimas buvo susijęs su depresiniais simptomais (Rude et al., 2004). Nepaisant šių perspektyvių rezultatų, išlieka keletas iššūkių. Pirma, daugelis tyrimų kenčia nuo ribotos apibendrinamumo dėl mažų ar vienodų mėginių, kurie gali neatspindėti platesniam gyventojų skaičiui. Duomenų polinkis yra reikšmingas susirūpinimas, atsirandantis dėl tam tikrų demografinių grupių ar kalbinių bendruomenių pernelyg didelio atstovavimo, o kiti nepakankamai atstovauja (Olteanu ir kt., 2019). Be to, tvirtų ėminių ėmimo metodų ir standartizuotų protokolų trūkumas trukdo rezultatų patikimumui. Trečia, nepakankamas pažangių mašininio mokymosi modelių naudojimas kartu su nepakankamu sudėtingų kalbinių niuans Mokslinių tyrimų spragos ir dabartinio tyrimo tikslai Nors atskiri tyrimai suteikė vertingų įžvalgų apie mašininio mokymosi programą psichikos sveikatos aptikimui, vis dar pastebimas išsamių apžvalgų trūkumas, kuris konsoliduoja mašininio mokymosi modelių veiksmingumą įvairiuose tyrimuose. Kaip aptarta, dabartinė literatūra dažnai trūksta sprendžiant pagrindinius metodinius iššūkius per visą mašininio mokymosi ir giliųjų mokymosi programų gyvavimo ciklą, įskaitant mėginių ėmimą, duomenų išankstinį apdorojimą, modelio kūrimą ir vertinimą (Johnson et al., 2019). Nors prietarai ir apribojimai buvo įvertinti kai kuriuose atskiruose jų autorių tyrimuose, jų platesnės pasekmės visose mašininio mokymosi ir Siekiant pašalinti šias spragas, šiuo tyrimu siekiama atlikti sistemingą peržiūrą, kurioje būtų sintezuoti ir įvertinti esami mašininio mokymosi modeliai, skirti aptikti depresiją socialinėje žiniasklaidoje. Išnagrinėkite mašininio mokymosi ir giliųjų mokymosi modelių veiksmingumą, sutelkiant dėmesį į polinkius, susijusius su ėminių ėmimu, duomenų išankstiniu apdorojimu, modeliavimu, subtilumu, vertinimu ir palyginimu, taip pat su modelio apibendrinimu įvairiose socialinės žiniasklaidos platformose. Ištirti metodologinius iššūkius, įskaitant tuos, kurie yra unikalūs psichikos sveikatos aptikimui, pvz., sprendžiant klasės disbalansus, kuriuose depresija yra mažuma, ir iš anksto apdorojant sentimentų analizę, susijusią su neigimais. Be to, išlieka bendresnių mašininio mokymosi iššūkių, pvz., tobulinant modelio vertinimo metodus ir sprendžiant duomenų polinkius, susijusius su kalbos ir platformos veiksniais. svarbu pripažinti, kad dauguma šių polinkių kyla netyčia, arba dėl praktinių iššūkių, arba dėl standartizuotų gairių, skirtų mašinų mokymuisi taikyti psichikos sveikatos aptikimui. 3. teikti rekomendacijas būsimiems tyrimams, siekiant padidinti mašininio mokymosi modelių patikimumą ir taikytinumą psichikos sveikatos aptikimo srityje.Šie įžvalgos siekiama informuoti strategijas, kurios pagerina ankstyvosios intervencijos pastangas ir prisideda prie tvirtesnių, apibendrinamų ir etiškai patikimų mašininio mokymosi programų kūrimo. Atsižvelgiant į šiuos tikslus, ši apžvalga siekia suteikti visapusišką supratimą apie dabartinę praktiką ir apribojimus šioje srityje. Išvados siekiama vadovauti būsimoms pastangoms kuriant tvirtesnes, apibendrinamas ir etiškai patikimas mašininio mokymosi programas psichikos sveikatos aptikimui naudojant socialinės žiniasklaidos duomenis. 
 
 Šis dokumentas yra prieinamas archive pagal CC BY 4.0 licenciją. Šis popierius yra Pagal CC BY 4.0 licenciją. Prieinama archyve

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.

Ar galite pasakyti, kada esate depresija?

About Author

KOMENTARAI

PABAIGTI ŽYMES

ŠIS STRAIPSNIS BUVO PRISTATYMAS

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps