
 
 
 
 
 
 
 
 
 Penulis : (1) Yuchen Cao, Kolej Sains Komputer Khoury, Universiti Timur Laut; (2) Jianglai Dai, Jabatan EECS, Universiti California, Berkeley; (3) Zhongyan Wang, Pusat Sains Data, Universiti New York; (4) Yeyubei Zhang, Sekolah Kejuruteraan dan Sains Gunaan, Universiti Pennsylvania; (5) Xiaorui Shen, Kolej Sains Komputer Khoury, Universiti Timur Laut; (6) Yunchong Liu, Sekolah Kejuruteraan dan Sains Gunaan, Universiti Pennsylvania; (7) Yexin Tian, Georgia Institute of Technology, Kolej Komputer. Authors: (1) Yuchen Cao, Kolej Sains Komputer Khoury, Universiti Timur Laut; (2) Jianglai Dai, Jabatan EECS, Universiti California, Berkeley; (3) Zhongyan Wang, Pusat Sains Data, Universiti New York; (4) Yeyubei Zhang, Sekolah Kejuruteraan dan Sains Gunaan, Universiti Pennsylvania; (5) Xiaorui Shen, Kolej Sains Komputer Khoury, Universiti Timur Laut; (6) Yunchong Liu, Sekolah Kejuruteraan dan Sains Gunaan, Universiti Pennsylvania; (7) Yexin Tian, Georgia Institute of Technology, Kolej Komputer. Jadual kiri 
 
 
 
 
 Abstrak dan pengenalan metodologi Hasil Perbincangan dan rujukan abstrak Peningkatan laporan global yang sesuai dalam data depresi memerlukan kaedah pengesanan data yang inovatif untuk campur tangan awal. Media sosial menyediakan peluang yang unik untuk mengenal pasti depresi melalui posting yang dihasilkan pengguna. Tinjauan sistematik ini menilai model pembelajaran mesin (ML) untuk pengesanan potensi depresi di media sosial, memberi tumpuan kepada bias dan cabaran metodologi sepanjang kitaran hayat ML. Pencarian PubMed, IEEE Xplore, dan Google Scholar memberikan peluang yang unik untuk mengenal pasti depresi melalui posting yang dihasilkan pengguna. Kebanyakan kajian yang memberi tumpuan kepada pengguna masa depan Risk Of Bias ASsessment Tool (PROBAST) digunakan untuk menilai kualiti metodologi dan risiko bias. Bias yang signifikan yang memberi kesan kepada kebolehpercayaan model dan kebolehpercayaan metodologi telah dijumpai. Terdapat kepercayaan yang mendominasi Pengenalan Depresi dan keadaan kesihatan mental lain telah muncul sebagai masalah kesihatan global yang signifikan, menjejaskan lebih daripada 264 juta orang di seluruh dunia, menurut Pertubuhan Kesihatan Sedunia (WHO, 2020). Peningkatan prevalensi masalah kesihatan mental menekankan keperluan mendesak untuk strategi pengesanan dan intervensi yang berkesan. pengenalan awal depresi boleh membawa kepada rawatan tepat waktu dan hasil yang lebih baik, pada akhirnya mengurangkan beban kepada pesakit, penjagaan mereka, dan sistem penjagaan kesihatan (Kessler et al., 2017). Dalam era digital hari ini, platform media sosial seperti Twitter, Facebook, dan Reddit memainkan peranan utama dalam kehidupan sehari-hari bagi berjuta-juta orang. Platform ini bukan sahaja memudahkan komunikasi tetapi juga berfungsi sebagai media awam di mana individu secara terbuka mengekspresikan pemikiran, emosi, dan keadaan mental mereka (Choudhury et al., 2013). Kandungan yang luas yang dihasilkan pengguna pada platform ini menyediakan peluang yang unik untuk penyelidikan kesihatan mental, membolehkan analisis real-time pola bahasa dan trend tingkah laku, dan menyediakan wawasan yang mungkin tidak dapat diakses (Guntuku et al., 2017). Kemajuan dalam pembelajaran mesin dan pembelajaran mendalam telah secara signifikan meningkatkan keupayaan untuk memproses dan menganalisis set data skala besar. Teknologi ini sangat sesuai untuk menangani data yang kompleks dan bernuansa yang terdapat di media sosial, kerana mereka boleh mengenal pasti corak dan membuat ramalan berdasarkan petunjuk teks dan tingkah laku. Keupayaan ini menjadikan mereka alat berharga untuk pengesanan kesihatan mental, membolehkan penyelidik membangunkan model yang berpotensi mengenal pasti individu berisiko berdasarkan aktiviti media sosial mereka (Shatte et al., 2019). Dengan memanfaatkan algoritma yang mampu belajar daripada petunjuk teks dan tingkah laku, penyelidik mampu membangunkan model yang menyumbang kepada usaha intervensi awal dalam penjagaan kesihatan mental. Gambaran keseluruhan kajian sejarah mengenai pendekatan pembelajaran mesin untuk pengesanan kesihatan mental dalam media sosial Berbagai algoritma – dari teknik pembelajaran mesin tradisional seperti regresi logistik dan mesin vektor sokongan kepada model pembelajaran mendalam canggih dan kaedah ensemble – telah digunakan untuk mengklasifikasikan posting pengguna dan meramalkan keadaan kesihatan mental berdasarkan ciri-ciri bahasa dan semantik (De Choudhury et al., 2013; Yazdavar et al., 2020). Salah satu pendekatan yang paling biasa dalam penyelidikan ini melibatkan analisis perasaan, yang bertujuan untuk menentukan nada emosi kandungan yang dihasilkan oleh pengguna. Dengan menilai perasaan positif, negatif, atau netral yang dinyatakan dalam posting, penyelidik cuba untuk mengaitkan corak bahasa dengan penunjuk kemurungan (Kumar et al., 2020). Sebagai contoh, peningkatan penggunaan pronoun tunggal orang pertama dan perkataan emosi negatif telah dikaitkan dengan gejala depresi (Rude et al., 2004). Terlepas daripada hasil yang menjanjikan ini, pelbagai cabaran berterusan. Pertama, banyak kajian menderita generalizability terhad disebabkan oleh sampel kecil atau homogen yang mungkin tidak mewakili populasi yang lebih luas. Bias data adalah keprihatinan yang signifikan, yang berpunca daripada perwakilan yang berlebihan daripada kumpulan demografi atau komuniti bahasa tertentu manakala kurang mewakili yang lain (Olteanu et al., 2019). Selain itu, kurangnya kaedah sampel yang kukuh dan protokol standardis menghalang kebolehpercayaan temuan. Ketiga, kurangnya penggunaan model pembelajaran mesin maju, bersama-sama dengan pengurusan yang tidak mencukupi dengan nuansa linguistik yang kompleks, seperti sarkasme atau makna yang bergantung kepada konteks, mengehadkan lebih lanjut keberkesanan usaha pengesanan ini (Calvo et al., 2017). Cacat penyelidikan dan matlamat kajian semasa Walaupun kajian individu telah memberikan wawasan yang berharga mengenai aplikasi pembelajaran mesin untuk pengesanan kesihatan mental, masih terdapat kekurangan yang ketara daripada tinjauan komprehensif yang menyatukan keberkesanan model pembelajaran mesin di seluruh kajian yang berbeza. Seperti yang dibincangkan, literatur semasa sering kurang dalam menangani cabaran metodologi utama sepanjang kitaran hayat pembelajaran mesin dan aplikasi pembelajaran mendalam, termasuk sampel, praproses data, pembinaan model, dan penilaian (Johnson et al., 2019). Walaupun bias dan batasan telah dinilai dalam beberapa kajian individu oleh penulis mereka, implikasi yang lebih luas mereka di seluruh aplikasi pembelajaran mesin dan teknik pembelajaran mendalam dalam pengesanan kemurungan belum sepenuhnya dipelajari. Oleh itu, kajian sistematik adalah penting untuk menyatukan temuan ini dan menilai penyebaran dan kesan bias dalam kajian di seluruh. Untuk mengatasi kesenjangan ini, kajian ini bertujuan untuk menjalankan kajian sistematik yang menyusun dan menilai model pembelajaran mesin yang sedia ada untuk mendeteksi kemurungan di media sosial. Mengkaji keberkesanan pembelajaran mesin dan model pembelajaran mendalam dengan memberi tumpuan kepada bias yang terdapat dalam pengambilan sampel, praprosesan data, pembinaan model, penyesuaian halus, penilaian, dan perbandingan, serta cabaran yang berkaitan dengan generalizability model di seluruh platform media sosial yang berbeza. Mengkaji cabaran metodologi, termasuk cabaran yang unik untuk pengesanan kesihatan mental – seperti menangani ketidakseimbangan kelas di mana jawatan-pos depresi adalah minoriti dan praprosesan untuk analisis perasaan yang melibatkan penolakan. Selain itu, cabaran pembelajaran mesin yang lebih umum, seperti meningkatkan teknik penilaian model dan menangani bias data yang berkaitan dengan bahasa dan faktor-faktor spesifik platform, juga berterusan.Penting untuk mengakui bahawa kebanyakan bias ini timbul tanpa niat, sama ada daripada cabaran praktikal atau daripada kurangnya panduan standard untuk menerapkan pembelajaran mesin kepada pengesanan kesihatan mental.Dengan menangani halangan-halangan ini, tinjauan bertujuan untuk menyediakan wawasan dan strategi untuk mengurangkan bias yang tidak disengaja ini, memajukan pembangunan model yang lebih boleh dipercayai dan umum. Menyediakan cadangan untuk penyelidikan masa depan untuk meningkatkan kebolehpercayaan dan kebolehpercayaan model pembelajaran mesin dalam pengesanan kesihatan mental. wawasan ini bertujuan untuk memaklumkan strategi yang meningkatkan usaha intervensi awal dan menyumbang kepada pembangunan aplikasi pembelajaran mesin yang lebih kukuh, boleh digeneralisasi, dan etika yang sihat. Dengan menangani matlamat-matlamat ini, tinjauan ini bertujuan untuk memberikan pemahaman yang komprehensif tentang amalan dan batasan semasa dalam bidang ini. temuan bertujuan untuk membimbing usaha masa depan ke arah membangunkan aplikasi pembelajaran mesin yang lebih kukuh, boleh digeneralisasikan, dan etika yang sihat untuk pengesanan kesihatan mental menggunakan data media sosial. 
 
 Dokumen ini boleh didapati di archiv di bawah lesen CC BY 4.0. Dokumen ini boleh didapati di archiv di bawah lesen 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.

Adakah AI boleh memberitahu anda apabila anda tertekan?

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps