ترکیب داده های چندوجهی برای تشخیص افسردگی در توئیتر

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 211

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ABMIR-2-1_009

تاریخ نمایه سازی: 6 اسفند 1403

چکیده مقاله:

افسردگی یکی از شایع ترین بیماری های روانی دنیای امروز است که می توان آن را با استفاده از اطلاعات موجود در شبکه های اجتماعی به طور موثری شناسایی کرد. استفاده از شبکه های اجتماعی برای مقاصد مختلف در سال های گذشته افزایش داشته است، زیرا این شبکه ها بیانگر اطلاعات مهمی هم از افراد و هم از جامعه هستند. پژوهشگران تلاش کرده اند تا افسردگی را با استفاده از وجوه مختلف اطلاعات مثل عکس، متن و صوت شناسایی کنند؛ اما بیشتر پژوهش ها تمرکز بر این موضوع داشتند که فقط از یک نوع اطلاعات مثل متن یا عکس برای تشخیص استفاده کنند که به نتایج قابل توجهی دست یافته اند. در این پژوهش یک مدل هوش مصنوعی چندوجهی از نوع شبکه های عمیق معرفی می شود که اطلاعات متن و عکس را با هم تحلیل کرده و افسردگی را تشخیص می دهد. این پژوهش از کدگذار متنی Bert و ResNet برای استخراج ویژگی استفاده می کند. این مدل نسبت به مدل های مشابه با استفاده از مقدار بسیار کمتری از مجموعه داده ی اصلی، دقت را نزدیک به ۵ درصد ارتقا داده است و به ۸۷/۸۹ درصد رسانده است.

کلیدواژه ها:

نویسندگان

ابوالفضل نادی

گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تهران، تهران، ایران

رضا رضایی

گروه علوم کامپیوتر، دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تهران، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. Jitimon, T. Suda, and A. Thara, "Big data analytics ...
  • G. Shelley, S. Archana, and R. Jayanthi, "Multimodal, multiview and ...
  • C. B. Krishna, T. T. Marijn, L.-L. Lorenzo, A. R. ...
  • S. C. Gullal, H. Sherzod, S. Abdul, M.-B. Eric, O. ...
  • B. Marouane, K. Mohammed, and B.-H. Abderrahim, "A comprehensive survey ...
  • F. Cummins, D. Doyle, and G. McCarthy, "Towards Automatic Text-Based ...
  • Z. Li, A. Zhengyi, C. Wenchuan, Z. Jiawei, Z. Fang, ...
  • M. A. H. Yazda, M. Saeid, B. Goonmeet, R. William, ...
  • A.-M. Bucur, A. Cosma, P. Rosso, and L. P. Dinu, ...
  • O. Adekanmbi, M. A. Adekanmbi, M. O. Adekanmbi, and O. ...
  • G. Shen, J. Jia, L. Nie, F. Feng, C. Zhang, ...
  • T. Gui, L. Zhu, Q. Zhang, M. Peng, X. Zhou, ...
  • P. Xu, X. Zhu, and D. A. Clifton, "Multimodal learning ...
  • A.-M. Bucur, A. Cosma, P. Rosso, and L. P. Dinu, ...
  • P. Mann, A. Paes, and E. H. Matsushima, "See and ...
  • J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, "BERT: ...
  • K. He, X. Zhang, S. Ren, and J. Sun, "Deep ...
  • H. Liu, Y. You, and D. Darrow, "Deep Incubation: Training ...
  • J. Wang, Z. Liu, and T. Zhang, "Dataset Pruning: Reducing ...
  • T. F. Qu, Y. Zhang, and J. Liu, “Depression Detection Using ...
  • S. Orabi, P. Buddhitha, M. H. Orabi, and D. Inkpen, “Deep ...
  • F. Ren and Y. Wu, “Predicting Depression Trends on Twitter Using ...
  • نمایش کامل مراجع