دانلود مقاله سیستم تشخیص استرس برای کاربران رسانه اجتماعی
چکیده
تشخیص استرس یک موضوع در حال رشد در زمینه پردازش زبان طبیعی است. به منظور پیش بینی سلامت ذهنی برای بهره بردن از توسعه سیستم های توصیه و ارزیابی های خودکار سلامت ذهنی در تحقیقات قبلی، مطالعه تشخیص استرس اثبات شده است. علاوه بر این، کاربرد گسترده رسانه اجتماعی بعنوان یک منبع داده احتمالی برای توسعه چنین مدل هایی بکار گرفته شده است. تحقیق ما تلاش کرده است تا تشخیص دهد که آیا کاربران رسانه های اجتماعی تحت استرس بودند یا خیر. ما از یک مجموعه داده از Dreaddit شامل پست های یک پلتفرم رسانه اجتماعی محبوب Reddit استفاده کردیم. ما یک مدل یادگیری ماشینی شامل ماشین بردار پشتیبان (SVM)، ناوی بیز، درخت تصمیم، جنگل تصادفی، Bag of Words، و فراوانی اصطلاح- فراوانی سند معکوس (TF-IDF) برای تشخیص استرس را پیشنهاد می کنیم. ارزیابی نهایی مدل امتیاز 80.00% F-1 و درستی 75.00% را نتیجه داد، و هر دو توسط SVM امتیاز داده شدند.
1. مقدمه
استرس یک احساس عاطفی یا تنش فیزیکی است. استرس می تواند از هر رویداد یا تفکری ناشی شود که شما را ناامید، عصبانی یا عصبی می کند. طبق گفته وینسنت کورنلی، استرس اختلال سلامت روانی در بدن و ذهن است و ناشی از تغییرات و نیازهای زندگی است [1]. طبق گفته سازمان بهداشت جهانی (WHO)، استرس بر مغز و بدن تاثیر می گذارد. استرس کم برای عملکرد و مراقبت خوب است، اما استرس بسیار زیاد بسته به نوع واکنش افراد به بحث و دعوا، فرار و گریز، و فریز شدن (میخکوب شدن به دلیل ترس یا تعجب) طاقت فرسا خواهد بود [2]. میزان قابل توجهی از استرس می تواند منجر به افسردگی شود که منجر به خودکشی خود فرد می شود.
به طور کلی، تمام گروه های سنی اختلالات استرس را تجربه می کنند. این موضوع در تعداد زیادی از افراد مهم نیست که آنها پیر هستند یا جوان هستند، آنها استرس را در بخش های مختلف زندگی شان تجربه می کنند. تقریبا 284 میلیون نفر در دنیا در داده های سال 2017 وجود دارند که از نوعی استرس که همان اضطراب است، رنج می برند. نمودار زیر ده کشور را نشان می دهد که بیشترین نرخ های استرس را براساس داده های گالوپ سال 2022 دارند [4].
5. نتیجه گیری
تشخیص استرس، یک تحقیق همواره در حال تکامل است. بنابراین، تحقیق ما یک مدل یادگیری ماشینی برای پیش بینی استرس رسانه اجتماعی پیشنهاد می کند. روش های مورد استفاده در مدل های یادگیری ماشینی SVM، NB، DT، TF-IDF، جنگل تصادفی و بسته کلمات هستند. آزمایشات در این مقاله نشان می دهند که SVM عملکرد خوبی با امتیاز-F1، 80%، درستی 75.00%، فراخوانی 92.00% و دقت 71.00% دارد تا یک ویژگی شخصیتی را پیش بینی کند. آزمایشات ما امتیازهای خوبی بدست آورده اند، اما آنها مطابق انتظار نیستند، بنباراین توسعه این پیش بینی های شخصیتی باید به صورت مداوم برای بهبود اثربخشی آنها توسعه یابد. ما پیشنهاد می کنیم که از یک مجموعه داده کوچکتر استفاده کنید یا در چنین مدل هایی ده برابر برای کسب نتایج بهتر انجام دهید. تعداد زیادی از مدل های یادگیری ماشینی جدیدتر یا مدل های یادگیری عمیق برای طبقه بندی متن را می توان برای تحلیل پیش بینی شخصیت استفاده کرد.
Abstract
Stress detection is a growing topic in the field of natural language processing. The study of stress detection for mental health prediction has been proven to benefit the development of recommender systems and automated mental health assessments in previous studies. Additionally, the widespread usage of social media has served as a potential data source for developing such models. Our research tried to detect whether the users of social media were under stress or not. We used a dataset from Dreaddit consisting of posts from one of the popular social media platforms, Reddit. We propose a machine learning model consisting of Support Vector Machine (SVM), Naïve Bayes, Decision Tree, Random Forest, Bag of Words, and Term Frequency – inverse document frequency (TF-IDF) for stress detection. The final evaluation of the model achieved an 80.00% F-1 Score and 75.00% accuracy, and both were scored by SVM.
1. Introduction
Stress is a feeling of emotional or physical tension. It can come from any event or thought that makes you feel frustrated, angry, or nervous. According to Vincent Cornelli, Stress is a mental health disorder in the body and mind caused by changes and life demands [1]. According to the World Health Organization (WHO), stress affects the brain and body. Little stress is good for performance and protection, but too much stress will be overwhelming to fight, flight, and freeze, depending on how individuals react to it [2]. A considerable amount of stress can lead to depression, which results in the individual itself suicide.
Globally, stress disorders can be experienced by all age groups. This results in a lot of people, no matter how old or young they are, will experience stress in parts of their life. In World in Data 2017 [3], there are approximately 284 million people has suffered from a kind of stress which is anxiety. The chart below will show ten countries that has the highest rates of stress based on data from Gallup 2022 [4].
5. Conclusion
Stress detection is an ever-evolving study. Therefore, our study proposes a machine learning model for predicting stress from social media. The methods used in our machine learning models are SVM, NB, DT, TF-IDF, Random Forest, and Bag of Words. The experiments in this paper show that SVM has a good performance with F1-SCORE 80.00%, Accuracy 75.00%, Recall 92.00%, and Precision 71.00% to predict a personality trait. Our experiments have achieved good scores, but they are far from perfect, so the development of these personality predictions must be constantly developed to improve their effectiveness. We do suggest using either a smaller dataset or doing ten-fold onto such models to get better results. Many newer machine learning models or deep learning models for text classification can be used to analyse personality prediction.
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
2. تحقیقات مرتبط
3. موضوعات و روش ها
3.1. آماده سازی داده و پیش پردازش داده
3.2. معماری مدل پیشنهادی
3.3. آموزش و ارزیابی مدل
4. نتیجه و بحث
4.1. ارزیابی عملکرد
5. نتیجه گیری
منابع
Abstract
1. Introduction
2. Related Works
3. Materials and Methods
3.1. Data Preparation and data pre-processing
3.2. Proposed Model Architecture
3.3. Model Training and Evaluation
4. Result and Discussion
4.1. Performance Evaluation
5. Conclusion
References
این محصول شامل پاورپوینت ترجمه نیز می باشد که پس از خرید قابل دانلود می باشد. پاورپوینت این مقاله حاوی 18 اسلاید و 5 فصل است. در صورت نیاز به ارائه مقاله در کنفرانس یا سمینار می توان از این فایل پاورپوینت استفاده کرد.
در این محصول، به همراه ترجمه کامل متن، یک فایل ورد ترجمه خلاصه نیز ارائه شده است. متن فارسی این مقاله در 7 صفحه (1600 کلمه) خلاصه شده و در داخل بسته قرار گرفته است.
علاوه بر ترجمه مقاله، یک فایل ورد نیز به این محصول اضافه شده است که در آن متن به صورت یک پاراگراف انگلیسی و یک پاراگراف فارسی درج شده است که باعث می شود به راحتی قادر به تشخیص ترجمه هر بخش از مقاله و مطالعه آن باشید. این فایل برای یادگیری و مطالعه همزمان متن انگلیسی و فارسی بسیار مفید می باشد.
بخش مهم دیگری از این محصول لغت نامه یا اصطلاحات تخصصی می باشد که در آن تعداد 40 عبارت و اصطلاح تخصصی استفاده شده در این مقاله در یک فایل اکسل جمع آوری شده است. در این فایل اصطلاحات انگلیسی (تک کلمه ای یا چند کلمه ای) در یک ستون و ترجمه آنها در ستون دیگر درج شده است که در صورت نیاز می توان به راحتی از این عبارات استفاده کرد.
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش و pdf بدون آرم سایت ای ترجمه
- پاورپوینت فارسی با فرمت pptx
- خلاصه فارسی با فرمت ورد (word)
- متن پاراگراف به پاراگراف انگلیسی و فارسی با فرمت ورد (word)
- اصطلاحات تخصصی با فرمت اکسل