تشخیص زودهنگام وسواس فکری از داده های متنی شبکه های اجتماعی با استفاده از مدل های زبانی بر پایه ترنسفورمر

این پژوهش به بررسی امکان تشخیص زودهنگام اختلال وسواس فکری-عملی از طریق تحلیل داده های متنی شبکه های اجتماعی با بهره گیری از مدل های زبانی مبتنی بر معماری ترنسفورمر می پردازد. با گردآوری و پیش پردازش داده ها از پلتفرم هایی نظیر Reddit و Twitter و استفاده از مدل هایی مانند RoBERT، BERT و DistilBERT عملکرد این سامانه ها در تشخیص نشانه های زبانی OCD مورد ارزیابی قرار گرفت. نتایج تجربی نشان داد که مدل های ترنسفورمر نسبت به مدل های کلاسیک مانند SVM و LSTM دقت بالاتری در معیارهایی نظیر AUC، F۱ و Recall دارند. تحلیل های زبان شناختی خروجی مدل ها نیز نشان داد که واژگان مرتبط با اجبار، اضطراب، کنترل و عدم قطعیت از مولفه های شاخص در پیش بینی OCD هستند. در کنار کارایی فنی، جنبه های اخلاقی استفاده از داده های اجتماعی نیز بررسی شد و به چالش هایی نظیر رضایت آگاهانه، محرمانگی، و تعمیم پذیری اشاره گردید. این پژوهش ضمن تایید کارایی مدل های یادگیری عمیق در تشخیص اختلالات روانی، مسیرهایی برای توسعه سیستم های هشدار اولیه در سلامت روان دیجیتال ترسیم می کند و بر لزوم همگرایی دانش های زبان شناسی، روان شناسی و هوش مصنوعی برای کاربردی سازی این راهکارها تاکید می ورزد.

کلیدواژه ها:

وسواس فکری-عملی ، شبکه های اجتماعی ، ترنسفورمر ، روان ، زبان شناسی ، تشخیص زودهنگام