امیرحسین محمدی
عنوان پایاننامه
تشخیص افسردگی با شناسایی نشانگرهای زبانی افسردگی در متن با استفاده از روشهای یادگیری ماشین
- دانشجو
- امیرحسین محمدی
- استاد راهنما
- محمد بحرانی
- استاد مشاور
- زهره رافضی
- استاد داور
- لطیفه پورمحمدباقر اصفهانی
- رشته تحصیلی
- علوم كامپيوتر- گرايش محاسبات نرم و هوش مصنوعي
- مقطع تحصیلی
- کارشناسی ارشد
- تاریخ دفاع
- ۱۵ بهمن ۱۴۰۲
- ساعت دفاع
- چکیده
- افسردگی، یک عارضه روانشناسی فراگیر در میان تمام افراد جامعه است، تا جایی که ۳۸۰ میلیون نفر را در سراسر جهان تحت تاثیر قرار می دهد و یک نگرانی قابل توجه برای سلامت جهانی به شمار میرود. برخلاف نوسانات خلق و خوی گذرا، افسردگی مزمن و شدید می تواند به عنوان یک اختلال فیزیکی ظاهر شود و رفاه کلی را به خطر بیندازد. تشخیص غیرمستقیم، یک رویکرد بهطور گسترده برای ارزیابی سلامت روان، روشهای تشخیصی سادهتر و مقرونبهصرفهتری را نسبت به روشهای مستقیم ارائه میدهد. تکنیکهای غیرمستقیم بهجای کنکاش در عملکردهای پیچیده مغز، بر ویژگیهای رفتاری و شخصیتی قابل مشاهده تمرکز میکنند که به عنوان نشانگرهای این اختلال عمل میکنند. رفتار انسان، شامل زبان و الگوهای نوشتاری، بازتابی ملموس از عملکرد ذهن است. با تجزیه و تحلیل این عبارات رفتاری، ما بینش های ارزشمندی را در مورد فرآیندهای ذهنی زمینه ای که در ایجاد این اختلال نقش دارند به دست می آوریم. این مطالعه به بررسی کاربرد BERT، یک مدل زبان قدرتمند، برای طبقهبندی متن بر اساس افسردگی میپردازد. برای تسهیل این آموزش، مجموعه داده متنی غنیشده با برچسبهای مرتبط با افسردگی بهدقت تنظیم شده است و منبع ارزشمندی برای تجزیه و تحلیل در حوزههای پردازش زبان طبیعی، زبانشناسی و روانشناسی است. این تحقیق به عنوان یک تلاش پیشگامانه در این زمینه است و عملکرد قابل توجهی را با دقت ۸۵.۵۰۴ درصد نشان می دهد که پتانسیل تشخیص غیرمستقیم را از طریق رویکردهای مبتنی بر زبان در ارزیابی سلامت روان نشان می دهد.