اعلام جامعة بابل | كلية تكنولوجيا المعلومات تناقش رسالة ماجستير بعنوان التنبؤ بالاكتئاب

كلية تكنولوجيا المعلومات تناقش رسالة ماجستير بعنوان التنبؤ بالاكتئاب

نشر بواسطة : ضحى فاضل عباس

تاريخ الخبر : 09/8/2023 10:52:01 PM

عدد المشاهدات : 493

كلية تكنولوجيا المعلومات تناقش رسالة ماجستير بعنوان التنبؤ بالاكتئاب لدى مستخدمي وسائل التواصل
الاجتماعي باستخدام تقنيات التعلم الالي للطالبة رولا كامل حسن.

ناقشت كلية تكنولوجيا المعلومات رسالة ماجستير بعنوان التنبؤ بالاكتئاب لدى مستخدمي وسائل التواصل
الاجتماعي باستخدام تقنيات التعلم الالي للطالبة رولا كامل حسن.

حيث تضمنت الرسالة ما يلي :

في الوقت الحاضر، يعد الاكتئاب مرضًا عقليًا شائعًا. يمكن أن يؤدي الفشل في التعرف على الاكتئاب مبكرًا أو ضمان تلقي الفرد المكتئب للاستشارة الفورية إلى مشاكل خطيرة.

تسمح لنا وسائل التواصل الاجتماعي بمراقبة أفكار الناس وأنشطتهم اليومية وعواطفهم ، بما في ذلك الأشخاص المصابون بأمراض عقلية.

في الوقت الحاضر ، تُستخدم تقنيات التعلم الآلي والتعلم العميق على نطاق واسع في تحليل المشاعر. لذلك ، من السهل استخدامها للكشف المبكر عن الاكتئاب .

ستركز هذه الرسالة على ثلاثة أهداف رئيسية. الأول هو تطوير نموذج مصنف للكشف المبكر عن الاكتئاب بين مستخدمي تويتر.

والثاني هو دراسة تأثير بعض المعالجات المسبقة على أداء المصنفات التي تم تجاهلها في الدراسات السابقة. والثالث هو مقارنة أداء تقنيات التعلم الآلي المختلفة وإيجاد أفضل التقنيات.

لتحقيق هذه الأهداف، تم تطبيق ثلاثة أنواع من تقنيات التعلم الآلي في هذه الرسالة. يتضمن

النوع الأول خمسة تقنيات تعلم آلي تقليدية

1) support vector machine (SVM)

2) light gradient boosting machine (LGBM)

3) extreme gradient boosting (XGBOOST)

4) logistic regression (LR)

5) decision tree (DT)

النوع الثاني يتضمن اثنين من تقنيات التعلم العميق :

1. bidirectional long short-term memory (Bi-LSTM).

2. convolutional neural network (CNN).

النوع الثالث هو مصنف هجين يجمع بين إحدى تقنيات تعلم الآلة التقليدية وأحدى تقنيات التعلم العميق.
تم استخدام مجموعتين من البيانات من موقع Kaggle للتنبؤ بالاكتئاب .

أظهرت التجارب على مجموعة البيانات الأولى أن : Bi-LSTM-XGBOOST أفضل من المصنفات الفردية ويحقق أعلى أداء ، بنسبة 94 ? لجميع مقاييس التقييم.

يمكن للنموذج المقترح تحسين أداء تقنيات التعلم الآلي وزيادة معدل اكتشاف الاكتئاب.

ثانيًا ، يمكن أن يؤدي تطبيق Stemming والاستبدال(الكلمات العامية والرموز التعبيرية) وعدم إزالة بعض الكلمات المتوقفة إلى تحسين دقة تقنيات التعلم الآلي التقليدية .

بينما توضح مجموعة البيانات الثانية أن LGBM تفوق على التقنيات الأخرى بنسبة 99 ? لجميع مقاييس التقييم.