استفاده از هوش مصنوعی برای تشخیص زودهنگام اختلالات روانی از طریق تحلیل زبان در شبکه های اجتماعی

در سال های اخیر، با افزایش چشم گیر استفاده از شبکه های اجتماعی و هم زمان، رشد نگران کننده اختلالات روانی در جوامع، بهره گیری از ابزارهای فناورانه برای شناسایی زودهنگام این اختلالات، به ضرورتی اجتناب ناپذیر تبدیل شده است. پژوهش حاضر با هدف بررسی امکان استفاده از هوش مصنوعی و تحلیل زبان طبیعی (NLP) برای تشخیص علائم اولیه افسردگی، اضطراب و اختلال دوقطبی در کاربران شبکه های اجتماعی، به ویژه توییتر و اینستاگرام انجام شده است. در این مطالعه، ابتدا مجموعه ای گسترده از پست های متنی عمومی کاربران با استفاده از ابزارهای اسکرپینگ گردآوری گردید. سپس با به کارگیری تکنیک های پیش پردازش زبانی، ویژگی های مختلفی مانند فراوانی واژگان منفی و مثبت، ضمایر شخصی، ساختار نحوی جملات، علائم نگارشی، امتیاز احساسی متن و زمان انتشار پست ها استخراج شد. داده های پردازش شده با استفاده از مدل های یادگیری ماشین و یادگیری عمیق نظیر Logistic Regression، SVM، LSTM و BERT مورد تحلیل قرار گرفتند. یافته ها نشان داد که الگوهای مشخص زبانی با حالات روانی خاص ارتباط معناداری دارند و مدل های هوشمند قادر به تشخیص آن ها با دقت مناسبی هستند. این پژوهش نشان می دهد که زبان در فضای مجازی می تواند به عنوان شاخصی غیرمستقیم، کم هزینه و مقیاس پذیر برای پایش وضعیت روانی کاربران مورد استفاده قرار گیرد. در پایان، بر اهمیت طراحی سامانه های هوشمند تشخیصی، همراه با رعایت اصول اخلاقی، شفافیت الگوریتم ها و حفظ حریم خصوصی تاکید شده است.

کلیدواژه ها:

هوش مصنوعی ، تحلیل زبان طبیعی (NLP) ، شبکه های اجتماعی ، اختلالات روانی