توسعه الگوریتمی جدید برای شناسایی کاربران افسرده در توییتر ساخته شد

دانشمندان الگوریتم نوینی را توسعه داده اند که به گفته آنها افسردگی میان کاربران توییتر را با دقت ۹۰ درصد تشخیص می دهد؛ پیشرفتی که شاید به روش های تشخیص زودهنگام در آینده منجر شود.

این الگوریتم که در نشریه تراکنش ها (IEEE Transactions) در محاسبه عاطفی آی ترایپل ئی (Affective Computing)، توضیح داده شده است، وضعیت ذهنی یک کاربر توییتررا با استخراج و تجزیه و تحلیل ۳۳ نقطه داده از نمایه (پروفایل) عمومی او، از جمله محتوای پست هایش، زمان ارسال آنها، و سایر کاربران محفل اجتماعی او، تعیین می کند.

عبدل سدکا، از نویسندگان این مطالعه و مدیر موسسه آینده دیجیتال (دانشگاه) برونل، در بیانیه ای گفت: «ما الگوریتم را روی دو پایگاه داده بزرگ آزمایش کردیم و نتایج خود را با سایر روش های تشخیص افسردگی مقایسه کردیم. در تمامی موارد، موفق شده ایم از نظر دقت طبقه بندی از روش های موجود بهتر عمل کنیم.»

دانشمندان گفتند تعداد زیادی از مبتلایان به افسردگی احتمالی در سراسر دنیا، به دلیل عوامل متعددی، از جمله انگ اجتماعی یا ناآگاهی از وضعیت روانی شان، به دنبال کمک حرفه ای نیستند، و همین امر منجر به «تأخیر شدید در تشخیص و درمان» می شود.

پژوهش پیشین نشان داده است که داده های رسانه های اجتماعی سرنخ های ارزشمندی درمورد وضعیت سلامت جسمی و روحی افراد ارائه می دهد.

در مطالعه اخیر، پژوهشگران این الگوریتم را با استفاده از دو پایگاه داده که حاوی تاریخچه هزاران کاربر توییتر، همراه با اطلاعات دیگری درباره سلامت روانی آن کاربران است، توسعه دادند.

دانشمندان گفتند: «در این مقاله، می گوییم که شناسایی افسردگی در مراحل اولیه با استخراج رفتارهای اجتماعی آنلاین، امکان پذیر است.»

آن ها از حدود ۸۰ درصد اطلاعات موجود در هر پایگاه داده برای آموزش ربات استفاده کردند و از باقی داده ها برای سنجش صحت آزمایش ها بهره گرفتند.

ربات بعداز بررسی پایگاه داده و حذف کاربرانی با کمتر از پنج توییت و کسانی که غلط املایی دارند، ۳۸ عامل متمایز را، از جمله استفاده کاربر از واژگان مثبت و منفی، تعداد دوستان و دنبال کنندگان آنان، و استفاده از ایموجی ها، برای تخمین وضعیت روحی و روانی کاربر درنظر می گیرد.

این گروه گفت که دقت کارکرد این الگوریتم ۸۹ درصد بوده است.

پژوهشگران گفتند با استفاده از پایگاه داده «سی ال سایک» ۲۰۱۵ (CLPsych) دانشگاه جان هاپکینز، به دقت حدود ۷۱ درصد دست یافتند.

دکتر سدکا گفت: «این ۱۰۰ درصد دقیق نیست، اما فکر نمی کنم در این سطح، هیچ راه حل یادگیری ماشینی به اطمینان ۱۰۰ درصد برسد. اما، هرقدر به رقم ۹۰ درصد نزدیک شویم، بهتر است.»

دانشمندان می گویند این سیستم احتمال افسردگی کاربران را یک روز قبل از انتشار چیزی در دامنه عمومی نشان می دهد، و راه را برای پلتفرم های رسانه های اجتماعی مثل توییتر و فیسبوک هموار می کند تا نگرانی های سلامت روان را فعالانه به کاربران نشان دهند.

آن ها گفتند این ربات می تواند بیشتر توسعه یابد و برای تعدادی از برنامه ها، مثل تجزیه و تحلیل احساسات و پژوهش های جنایی، مورد استفاده قرار گیرد.

اما این یافته ها پرسش های بیشتری درمورد حریم خصوصی داده ها، و ضرورت رضایت آگاهانه کاربران قبل از استفاده از داده های عمومی آنان برای تجزیه و تحلیل، ایجاد می کند.

هوی یو جو، از دیگر نویسندگان این مطالعه در دانشگاه لستر بریتانیا، گفت: «مرحله بعدی این تحقیق، سنجش اعتبار آن در محیط ها یا زمینه های مختلف خواهد بود و مهم تر از آن، فن آوری به دست آمده از این پژوهش ممکن است برای کاربردهای دیگری، از قبیل تجارت الکترونیک، آزمون استخدام، یا غربالگری نامزدی (انتخابات) توسعه یابد.»

دکتر جو ادامه داد: «الگوریتم پیشنهادی مستقل از پلتفرم است، بنابراین به راحتی به سایر سیستم های رسانه های اجتماعی مثل فیس بوک و واتس اپ نیز گسترش می یابد.»