دانلود مقاله تشخیص زودهنگام افسردگی در رسانه های اجتماعی
ترجمه نشده

دانلود مقاله تشخیص زودهنگام افسردگی در رسانه های اجتماعی

عنوان فارسی مقاله: تشخیص زودهنگام افسردگی در رسانه های اجتماعی با استفاده از یادگیری عمیق و احساسات نهفته
عنوان انگلیسی مقاله: Early depression detection in social media based on deep learning and underlying emotions
مجله/کنفرانس: شبکه های اجتماعی و رسانه آنلاین - Online Social Networks and Media
رشته های تحصیلی مرتبط: مهندسی کامپیوتر - مهندسی فناوری اطلاعات - روانشناسی
گرایش های تحصیلی مرتبط: هوش مصنوعی - اینترنت و شبکه های گسترده - روانشناسی بالینی - روانشناسی عمومی
کلمات کلیدی فارسی: افسردگی، رسانه های اجتماعی، شبکه های عصبی پیچشی عمیق، اثر کلی
کلمات کلیدی انگلیسی: Depression, Social media, Deep convolutional neural networks, Ensemble
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: scopus
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.osnem.2022.100225
نویسندگان: José Solenir L. Figuerêdo - Ana Lúcia L.M. Maia - Rodrigo Tripodi Calumby
دانشگاه: University of Feira de Santana, Brazil
صفحات مقاله انگلیسی: 11
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2022
ایمپکت فاکتور: 4.419 در سال 2020
شاخص H_index: 15 در سال 2020
شاخص SJR: 0.929 در سال 2020
شناسه ISSN: 2468-6964
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e17068
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
نوع رفرنس دهی: vancouver
فهرست مطالب (ترجمه)

چکیده

مقدمه

زمینه

کارهای مرتبط

روش پیشنهادی

اعتبار سنجی تجربی

نتایج و بحث

جهات بحث و تحقیق را به چالش می کشد

نتیجه

منابع

فهرست مطالب (انگلیسی)

Abstract

Introduction

Background

Related works

Proposed method

Experimental validation

Results and discussion

Challenges discussion and research directions

Conclusion

References

بخشی از مقاله (ترجمه ماشینی)

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.

بخشی از مقاله (انگلیسی)

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.