دانلود ترجمه مقاله سیستم تشخیص استرس برای کاربران شبکه های اجتماعی (ساینس دایرکت – الزویر ۲۰۲۳)
این مقاله انگلیسی ISI در نشریه الزویر در سال ۲۰۲۳ منتشر شده که ۱۰ صفحه می باشد، ترجمه فارسی آن نیز ۱۷ صفحه میباشد. کیفیت ترجمه این مقاله عالی بوده و به صورت کامل ترجمه شده است.
دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی | |
عنوان فارسی مقاله: |
سیستم تشخیص استرس برای کاربران شبکه های اجتماعی |
عنوان انگلیسی مقاله: |
Stress detection system for social media users |
|
مشخصات مقاله انگلیسی | |
نشریه | ساینس دایرکت، الزویر – (Sciencedirect – Elsevier) |
سال انتشار | ۲۰۲۳ |
فرمت مقاله انگلیسی | pdf و ورد تایپ شده با قابلیت ویرایش |
تعداد صفحات مقاله انگلیسی | ۱۰ صفحه |
نوع مقاله | ISI |
نوع نگارش | مقاله پژوهشی (Research Article) |
نوع ارائه مقاله | ژورنال |
رشته های مرتبط با این مقاله | روانشناسی – مهندسی کامپیوتر – فناوری اطلاعات |
گرایش های مرتبط با این مقاله | روانشناسی بالینی – هوش مصنوعی – اینترنت و شبکه های گسترده |
چاپ شده در مجله (ژورنال) | Procedia Computer Science |
کلمات کلیدی | یادگیری ماشینی – تشخیص استرس – رسانه اجتماعی – پردازش زبان طبیعی |
کلمات کلیدی انگلیسی | Machine Learning – Stress Detection – Social Media – Natural Language Processing |
نویسندگان | Mochamad Rizky Febriansyah – Nicholas – Rezki Yunandab , Derwin Suhartono |
شناسه شاپا یا ISSN | ۱۸۷۷-۰۵۰۹ |
شناسه دیجیتال – doi | https://doi.org/10.1016/j.procs.2022.12.183 |
لینک سایت مرجع | https://www.sciencedirect.com/science/article/pii/S187705092202261X |
ایمپکت فاکتور (IF) مجله | ۲٫۵۶۲ در سال ۲۰۲۲ |
شاخص H_index مجله | ۱۰۹ در سال ۲۰۲۳ |
شاخص SJR مجله | ۰٫۵۰۷ در سال ۲۰۲۲ |
بیس | است ✓ |
مدل مفهومی | دارد ✓ |
پرسشنامه | ندارد ☓ |
متغیر | ندارد ☓ |
فرضیه | ندارد ☓ |
رفرنس | دارای رفرنس در داخل متن و انتهای مقاله ✓ |
کد محصول | ۱۳۶۴۴ |
مشخصات و وضعیت ترجمه فارسی این مقاله | |
فرمت ترجمه مقاله | ورد تایپ شده با قابلیت ویرایش و pdf |
وضعیت ترجمه | ترجمه شده و آماده دانلود |
کیفیت ترجمه | عالی (مناسب استفاده دانشگاهی و پژوهشی) |
تعداد صفحات ترجمه | ۱۷ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin |
ترجمه عناوین تصاویر و جداول | ترجمه شده است ✓ |
ترجمه متون داخل تصاویر | ترجمه شده است ✓ |
ترجمه متون داخل جداول | ترجمه شده است ✓ |
ترجمه ضمیمه | ندارد ☓ |
درج تصاویر در فایل ترجمه | درج شده است ✓ |
درج جداول در فایل ترجمه | درج شده است ✓ |
درج فرمولها و محاسبات در فایل ترجمه | تایپ شده است ✓ |
منابع داخل متن | به صورت عدد درج شده است ✓ |
منابع انتهای متن | به صورت انگلیسی درج شده است ✓ |
فهرست مطالب |
چکیده ۱ مقدمه ۲ تحقیقات مرتبط ۳ موضوعات و روش ها ۴ نتیجه و بحث ۵ نتیجه گیری منابع |
بخشی از ترجمه |
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
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]. |