دانلود مقاله تشخیص زودهنگام افسردگی در رسانه های اجتماعی
چکیده
مقدمه
زمینه
کارهای مرتبط
روش پیشنهادی
اعتبار سنجی تجربی
نتایج و بحث
جهات بحث و تحقیق را به چالش می کشد
نتیجه
منابع
Abstract
Introduction
Background
Related works
Proposed method
Experimental validation
Results and discussion
Challenges discussion and research directions
Conclusion
References
چکیده
افسردگی چالشی برای سلامت عمومی است که اغلب با ناتوانی مرتبط است و یکی از دلایلی است که منجر به خودکشی می شود. بسیاری از کسانی که از افسردگی رنج می برند از رسانه های اجتماعی برای کسب اطلاعات یا حتی صحبت در مورد مشکل خود استفاده می کنند. برخی از مطالعات برای شناسایی کاربران بالقوه افسردگی در این محیط های آنلاین پیشنهاد کرده اند. با این حال، اثربخشی رضایت بخش هنوز مانعی برای کاربرد عملی است. از این رو، ما روشی برای تشخیص زودهنگام افسردگی در رسانه‌های اجتماعی مبتنی بر یک شبکه عصبی پیچشی در ترکیب با تعبیه‌های کلمه مستقل از زمینه و رویکردهای زودهنگام و دیرهنگام پیشنهاد می‌کنیم. این رویکردها با توجه به اهمیت احساسات زیربنایی رمزگذاری شده در شکلک ها به صورت تجربی ارزیابی می شوند. نتایج نشان می‌دهد که روش پیشنهادی قادر به شناسایی کاربران بالقوه افسرده بوده و به دقت 0.76 با اثربخشی معادل یا برتر در رابطه با بسیاری از خطوط پایه (1 (0.71)) می‌رسد. علاوه بر این، نگاشت معنایی شکلک‌ها به نتایج قابل‌توجهی بهتر از جمله یادآوری و دقت بالاتر به ترتیب با سودهای 46.3 و 32.1 درصد امکان‌پذیر است. با توجه به رویکرد جاسازی کلمه پایه، افزایش یادآوری و دقت بالاتر نگاشت معنایی شکلک‌ها 14.5٪ و 40.8٪ بود. از نظر اثربخشی کلی، این کار با در نظر گرفتن تعبیه‌های فردی و رویکردهای مبتنی بر همجوشی، پیشرفته‌ترین هنر را ارتقا داد. علاوه بر این، نشان داده شده است که احساسات ابراز شده توسط افراد افسرده و رمزگذاری شده از طریق شکلک ها، شواهد پیشنهادی مهمی از مشکل و دارایی ارزشمندی برای تشخیص زودهنگام هستند.
توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.
Abstract
Depression is a challenge to public health, frequently related to disability and one of the reasons that lead to suicide. Many of the ones who suffer depression use social media to obtain information or even to talk about their problem. Some studies have proposed to detect potentially depressive users in these online environments. However, unsatisfactory effectiveness is still a barrier to practical application. Hence, we propose a method of early detection of depression in social media based on a convolutional neural network in combination with context-independent word embeddings and Early and Late Fusion approaches. These approaches are experimentally evaluated, considering the importance of the underlying emotions encoded in the emoticons. The results show that the proposed method was able to detect potentially depressive users, reaching a precision of 0.76 with equivalent or superior effectiveness in relation to many baselines (). In addition, the semantic mapping of emoticons allowed to obtain significantly better results, including higher recall and precision with gains of 46.3% and 32.1%, respectively. Regarding the baseline word embedding approach, the higher recall and precision gains of our semantic mapping of emoticons were 14.5% and 40.8%. In terms of overall effectiveness, this work advanced the state-of-the-art, considering both individual embeddings and the fusion-based approaches. Moreover, it is demonstrated that emotions expressed by depressed people and encoded through emoticons are important suggestive evidence of the problem and a valuable asset for early detection.
Introduction
Depression is a psychological disorder related to a combination of genetic, biological, environmental and psychological factors [1,2]. People who suffer from this disorder tend to have a set of symptoms, e.g., loss of energy, changes in appetite, anxiety, reduced concentration, indecision, feelings of worthlessness, guilt or hopelessness. Despite the advances in prevention, diagnosis and treatment, the number of people with depression has continuously grown [2,3]. In fact, depression is the leading cause of health problems and disability worldwide. According to recent estimates by the World Health Organization (WHO), more than 300 million people suffer from it worldwide [2]. It also showed an increase of 18.4% in the number of cases between 2005 and 2015. Depression is also the major contributor to suicide deaths, which number close to 800,000 per year [2]. It highlights the severity of this disease and the need to devise strategies to improve the diagnosis and suppress its progression.
Conclusion
. Conclusion Mental illnesses are one of the most prevalent public health problems worldwide. Among these, depression stands out due to the numerous problems, such as suicide. Thus, we propose an early detection method using a CNN, in combination with Early and Late Fusion strategies. A set of pre-trained embeddings and their fusion were evaluated with the proposed method as a way of representing textual features. Our findings suggest that the pre-trained embeddings are able to build a good representation of the language used by the users. Comparing with the literature, the proposed models achieved better results.