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
- 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.
- Abstract
-
Depression, a pervasive mental health condition, affects a staggering ۳۸۰ million individuals worldwide, posing a significant global health concern. Unlike transient mood fluctuations, chronic and severe depression can manifest as a physical disorder, jeopardizing overall well-being. Indirect diagnosis, a widely employed approach for mental health assessments, offers simpler and more cost-effective diagnostic procedures than direct methods. Instead of delving into the intricate workings of the brain, indirect techniques focus on observable behavioral and personality traits that serve as markers of the disorder. Human behavior, encompassing language and writing patterns, is a tangible reflection of the mind's functioning. By analyzing these behavioral expressions, we gain invaluable insights into the underlying mental processes contributing to the disorder.
This study explores the application of BERT, a powerful language model, for classifying text based on depression. To facilitate this training, a text dataset enriched with depression-related labels has been meticulously curated, providing a valuable resource for analysis within natural language processing, linguistics, and psychology domains. This research stands as a groundbreaking endeavor in this field, demonstrating remarkable performance with an accuracy of ۸۵.۸۵%, showcasing the potential of indirect diagnosis through language-based approaches in mental health assessment.