مروري بر كاربرد روش‌هاي يادگيري ماشين براي تشخيص افسردگي

NA

با گسترش وب گسترده جهاني بخصوص شبكه هاي اجتماعي مجموعه زيادي از داده‌ها توليد مي‌شوند كه در بسياري از زمينه‌ها مانند جامعه‌شناسي و روان‌شناسي كاربرد دارند. از طرف ديگر، رويكردهاي يادگيري ماشين در سال‌هاي اخير براي روانشناسي باليني و روان‌پزشكي به صراحت بر يادگيري عملكرد آماري از مجموعه داده‌هاي چندبعدي موجود در سطح وب براي تشخيص و ايجاد پيش‌بيني‌هاي قابل تعميم در مورد افراد تمركز كرده‌اند و به پيشرفت‌‌هاي قابل توجهي نيز در اين زمينه دست‌ يافته‌اند. در اين راستا، در اين مقاله روش‌هاي مختلف تشخيص اتوماتيك افسردگي از طريق رسانه‌هاي اجتماعي با بكارگيري تكنيك‌هاي يادگيري ماشين مورد بررسي قرار گرفته و نقاط ضعف و قوت هريك از روش‌ها بيان مي‌شود، بر اساس بررسي‌هاي انجام شده مي-توان گفت كه سيستمي مي تواند براي تشخيص و طبقه‌بندي اختلال‌هاي افسردگي مناسب باشد كه به تجزيه و تحليل محيط اجتماعي فرد مي‌پردازد و درميان مطالعات صورت گرفته روش‌هاي بر پايه يادگيري ژرف به‌علت داشتن اين ويژگي‌ها و توانايي استخراج خودكار ويژگي‌ها مناسب به‌نظر مي‌رسند. نتايج اين روش‌ها ممكن است در توسعه ابزاري خودكار براي تشخيص افسرگي افراد كه توسط پزشكان، افراد نگران و سازمان‌هاي مراقبت بهداشتي مورد استفاده قرار مي‌گيرد، مفيد باشد.

NA