Die Studie präsentiert einen neuartigen Ansatz zur automatischen Erkennung von Depressionssymptomen in romanisierten singhalesischen Tweets. Durch den Einsatz von Techniken des maschinellen Lernens und der Verarbeitung natürlicher Sprache wird ein Modell entwickelt, das eine sehr hohe Genauigkeit von 93,25% bei der Erkennung von Depressionsanzeichen erreicht.
Der Datensatz wurde sorgfältig zusammengestellt, indem englischsprachige Tweets zu Depression und Nicht-Depression übersetzt und in romanisiertes Singhalesisch umgewandelt wurden. Nach der Vorverarbeitung und Merkmalsextraktion wurden verschiedene Klassifikationsalgorithmen wie neuronale Netze, Support Vector Machines, Entscheidungsbäume und Naive Bayes verglichen. Das neuronale Netzmodell mit Aufmerksamkeitsschicht erwies sich als das leistungsfähigste und übertraf die aktuellen State-of-the-Art-Methoden deutlich.
Die Ergebnisse unterstreichen die Effektivität dieses Ansatzes bei der Identifizierung von Personen, die Unterstützung und Interventionen benötigen. Psychische Gesundheitsexperten, politische Entscheidungsträger und Sozialmedienunternehmen können wertvolle Erkenntnisse aus dem vorgestellten Modell gewinnen. Insgesamt bietet diese Forschung einen vielversprechenden Weg für das Screening psychischer Gesundheit im digitalen Zeitalter und trägt zur Verbesserung von Präventionsmaßnahmen und Unterstützungssystemen bei.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Jayathi Hewa... at arxiv.org 04-01-2024
https://arxiv.org/pdf/2403.19728.pdfDeeper Inquiries