مدلی جدید افسردگی و اضطراب را با استفاده از هوش مصنوعی و رسانه های اجتماعی پیش بینی می کند.

مدلی جدید افسردگی و اضطراب را با استفاده از هوش مصنوعی و رسانه های اجتماعی پیش بینی می کند.

سایک نیوز به نقل از نوروساینس نیوز: محققان با استفاده از داده‌های توییتر و استفاده از الگوریتم‌های هوش مصنوعی پردازش زبان طبیعی، یک مدل پیش‌بینی جدید و دقیق برای افسردگی و اضطراب ایجاد کردند.

محققان دانشگاه سائوپائولو (USP) در برزیل با استفاده از هوش مصنوعی (AI) و توییتر، یکی از بزرگترین پلتفرم‌های رسانه‌های اجتماعی جهان، سعی در ایجاد مدل‌های پیش‌بینی اضطراب و افسردگی دارند که در آینده می‌تواند نشانه‌هایی از این اختلالات را قبل از تشخیص بالینی، گزارش دهد.

ساخت یک پایگاه داده به نام SetembroBR اولین گام در این مطالعه بود. این نام به سپتامبر زرد، که یک کمپین سالانه آگاهی از خودکشی و پیشگیری است، اشاره دارد.

مرحله دوم هنوز در حال انجام است، اما برخی از یافته‌های اولیه را فراهم کرده است، مانند امکان تشخیص اینکه آیا یک فرد ممکن است به افسردگی مبتلا شود یا خیر، تنها بر اساس دوستان و دنبال‌کنندگانش در رسانه‌های اجتماعی، بدون در نظر گرفتن پست‌های خود فرد.

پایگاه داده گردآوری شده توسط این گروه حاوی اطلاعات مربوط به مجموعه ای از متون (به زبان پرتغالی) و شبکه ارتباطی شامل 3900 کاربر توییتر است که گزارش داده اند قبل از نظرسنجی با مشکلات روانی تشخیص داده شده یا تحت درمان قرار گرفته اند. مجموعه شامل تمام توییت‌های عمومی ارسال شده توسط این کاربران به صورت جداگانه (بدون بازتوییت)، در مجموع حدود 47 میلیون از این متن‌های کوتاه است.

ابتدا، ما جدول زمانی را به صورت دستی جمع آوری کردیم و توییت های حدود 19000 کاربر را تجزیه و تحلیل کردیم که معادل جمعیت یک روستا یا شهر کوچک است. سپس از دو مجموعه داده استفاده کردیم، یکی برای کاربرانی که گزارش دادند مشکل سلامت روانی آنها تشخیص داده شده است و دیگری به صورت تصادفی برای اهداف کنترل انتخاب شده است. ما می‌خواستیم بین افراد مبتلا به افسردگی و جمعیت عمومی تمایز قائل شویم.

این مطالعه همچنین توییت‌هایی را از دوستان و دنبال‌کنندگان جمع‌آوری کرد، مطابق با اینکه افراد مبتلا به مشکلات سلامت روان تمایل به دنبال کردن حساب‌های خاصی مانند انجمن‌های گفتگو، تأثیرگذاران و افراد مشهوری دارند که به طور عمومی افسردگی خود را تأیید می‌کنند. درواقع این افراد جذب یکدیگر می شوند و آنها علایق مشترکی دارند.

اختلالات سلامت روان، از جمله افسردگی و اضطراب، یک نگرانی رو به رشد جهانی است. سازمان جهانی بهداشت (WHO) بر اساس داده های سال 2021 تخمین زد که 3.8 درصد از جمعیت جهان یا حدود 280 میلیون نفر دچار افسردگی هستند.

WHO همچنین افزایش 25 درصدی این مشکلات سلامت روان را در طول همه‌گیری COVID-19 تخمین زد. توییت‌ها برای مطالعه در این دوره جمع‌آوری شدند.

در یک نظرسنجی اخیر توسط وزارت بهداشت برزیل که شامل 784000 شرکت‌کننده بود، 11.3 درصد گفتند که مبتلا به افسردگی هستند که اکثر آنها زن بودند.

طبق تحقیقات قبلی، مشکلات سلامت روان اغلب با زبانی که مبتلایان استفاده می کنند، منعکس می شود. این یافته منجر به تعداد قابل توجهی از مطالعات مربوط به پردازش زبان طبیعی (NLP) با تمرکز بر افسردگی، اضطراب و اختلال دوقطبی و غیره شده است. با این حال، اکثر این مطالعات متون را به زبان انگلیسی تجزیه و تحلیل می کنند و اینطور نیست که همیشه با مشخصات بیشتر برزیلی ها مطابقت داشته باشد.

محققان این مجموعه را از قبل پردازش کردند تا هشتگ ها، URL ها، شکلک ها و کاراکترهای غیر استاندارد را با حفظ متون اصلی حذف کنند.

مدل ها

محققان این مجموعه را از قبل پردازش کردند تا هشتگ ها، URL ها، شکلک ها و کاراکترهای غیر استاندارد را با حفظ متون اصلی حذف کنند.

آنها سپس یادگیری عمیق را به کار گرفتند، تکنیکی هوش مصنوعی که به رایانه ها می آموزد تا داده ها را به روشی الهام گرفته از مغز انسان پردازش کنند، تا چهار طبقه بندی کننده متن و جاسازی کلمات را با استفاده از مدل های مبتنی بر نمایش های رمزگذار دو طرفه ایجاد کنند.

ورودی آموزش شامل نمونه ای از 200 توییت بود که به طور تصادفی از هر کاربر انتخاب شدند. پارامترها با اجرای اعتبارسنجی متقابل داده های آموزشی در پنج بار و محاسبه میانگین نتیجه تعریف شدند.

نتیجه این بود که BERT از نظر پیش‌بینی افسردگی و اضطراب بهترین عملکرد را داشت، با تفاوت آماری معنی‌داری بین آن و LogReg، بهترین گزینه بعدی. از آنجایی که مدل‌ها دنباله‌ای از کلمات و جملات کامل را تجزیه و تحلیل می‌کردند، می‌توان مشاهده کرد که افراد مبتلا به افسردگی، برای مثال، تمایل به نوشتن در مورد موضوعات مرتبط با خود، با استفاده از افعال و عبارات به صورت اول شخص، و همچنین موضوعاتی مانند مرگ، بحران و روانشناسی دارند.

پارابونی گفت: علائم افسردگی که می‌توان در طول ملاقات با پزشک تشخیص داد، لزوماً با علائمی که در رسانه‌های اجتماعی ظاهر می‌شود، یکسان نیست.

 

به عنوان مثال، استفاده از ضمایر اول شخص مفرد من بسیار مشهود بود و در روانشناسی این یک نشانه کلاسیک افسردگی تلقی می شود. ما همچنین استفاده مکرر از ایموجی قلب توسط کاربران افسرده را مشاهده کردیم. به طور گسترده ای احساس می شود که این نمادی از محبت و عشق است، اما شاید روانشناسان هنوز آن را به این شکل توصیف نکرده باشند.

تمامی متون جمع آوری شده بی نام شدند. ما نه توییت واقعی و نه نام کاربران را منتشر کردیم. ما مراقب بودیم که دانش‌آموزان درگیر در پروژه به اطلاعات کاربران دسترسی نداشته باشند تا از هویت افراد محافظت شود.

محققان اکنون در حال گسترش پایگاه داده، اصلاح تکنیک‌های محاسباتی و ارتقای مدل‌ها هستند تا ببینند آیا می‌توانند ابزاری را برای استفاده در آینده در غربالگری مبتلایان احتمالی به مشکلات سلامت روان و کمک به خانواده‌ها و دوستان افرادی که در معرض خطر افسردگی واضطراب هستند تولید کنند یا خیر.