دانلود ترجمه مقاله سیستم تشخیص استرس برای کاربران شبکه های اجتماعی (ساینس دایرکت – الزویر ۲۰۲۳)

سیستم تشخیص استرس برای کاربران شبکه های اجتماعی

Stress detection system for social media users

چکیده

۱ مقدمه

۲ تحقیقات مرتبط

۳ موضوعات و روش ها

۴ نتیجه و بحث

۵ نتیجه گیری

منابع

چکیده

تشخیص استرس یک موضوع در حال رشد در زمینه پردازش زبان طبیعی است. به منظور پیش بینی سلامت ذهنی برای بهره بردن از توسعه سیستم های توصیه و ارزیابی های خودکار سلامت ذهنی در تحقیقات قبلی، مطالعه تشخیص استرس اثبات شده است. علاوه بر این، کاربرد گسترده رسانه اجتماعی بعنوان یک منبع داده احتمالی برای توسعه چنین مدل هایی بکار گرفته شده است. تحقیق ما تلاش کرده است تا تشخیص دهد که آیا کاربران رسانه های اجتماعی تحت استرس بودند یا خیر. ما از یک مجموعه داده از Dreaddit شامل پست های یک پلتفرم رسانه اجتماعی محبوب Reddit استفاده کردیم. ما یک مدل یادگیری ماشینی شامل ماشین بردار پشتیبان (SVM)، ناوی بیز، درخت تصمیم، جنگل تصادفی، Bag of Words، و فراوانی اصطلاح- فراوانی سند معکوس (TF-IDF) برای تشخیص استرس را پیشنهاد می کنیم. ارزیابی نهایی مدل امتیاز ۸۰٫۰۰% F-1 و درستی ۷۵٫۰۰% را نتیجه داد، و هر دو توسط SVM امتیاز داده شدند.

۲ تحقیقات مرتبط
چندین تحقیق تلاش کردند تا از طریق یادگیری ماشینی و با روش های مختلف استرس را تشخیص دهند. یک تحقیق از موسسه ملی فناوری سوراتکل در هند با استفاده از مجموعه داده WESAD بین افراد دارای استرس و افراد بدون استرس براساس داده های موجود تمایز قائل می شود. نتایج این تحقیق از KNN (شبکه K-نزدیکترین)، DT (درخت تصمیم)، AB (AdaBoost)، و SVM استفاده کرد که به درستی ۸۱٫۶۵% تا ۹۳٫۲۰% دست یافت [۸]. تحقیق دیگری که از مجموعه داده WESA استفاده می کند، از موسسه ملی فناوری در هند است که هدف آن تشخیص استرس در یک فرد است. روش های استفاده شده، KNN (شبکه K-نزدیکریتن)، LDA (تحلیل تشخیص خطی)، RF (جنگل تصادفی)، AB، و SVM هستند که به ترتیب امتیاز F1 محاسبه شده ۸۳٫۳۴% و ۶۵٫۷۳% را ایجاد می کنند [۹].

تحقیق دیگری در موسسه فناوری اطلاعات جیپی در هند انجام شد که از یک مجموعه داده شامل ۲۰۶ دانش آموز بعنوان یک نمونه آزمایشی استفاده می کند. این تحقیق با استفاده از LR (رگرسیون لجستیکی)، ناوی بیز، جنگل تصادفی، و SVM و با استفاده مشخص از روشی با نام اعتبارسنجی ۱۰ برابری متقابل (شیوه ای که در آن روش برازش های ده برابری انجام می شود و از ۹۰% داده های مجموعه داده بعنوان آموزش استفاده می کند) با استفاده از SVM امتیاز ۸۵٫۷۱% را بدست آورد.

تحقیقی در دانشگاه تسینگوآ در بئیجینگ چین برای یافتن بهترین روش تشخیص استرس، ازمایش انجام شده توسط ده نفر را با استفاده از وئیبو و توییتر نشان داد. روش های استفاده شده در این تحقیق، LRC با امتیاز ۸۳٫۰۰%، SVM با امتیاز ۸۰٫۸۲%، RF با امتیاز ۸۴٫۱۸%، و FGM (منیفولدهای تولید شده با فلیملت) با بیشترین رتبه ۹۳٫۴۰% هستند. بیشترین درستی در این گزارش SVM واضح ده برابری است که منجر به درستی ۸۵٫۷۱% می شود [۱۰].