چکیده:
مقدمه: اختلالهای روانشناختی یکی از معضلات حائز اهمیت در جوامع امروزی محسوب میشوند و تشخیص زودهنگام این بیماریها میتواند در دریافت درمانهای حرفهای به موقع و بهبود کیفیت زندگی این بیماران اهمیت داشته باشد. اخیراً پژوهشهایی در راستای بهکارگیری شبکههای اجتماعی به عنوان بستری جدید برای شناسایی افراد بااختلالهای روانی صورت گرفته است. علاوه بر این به دلیل پیچیدگی تشخیص بیماری های روان شناختی با استفاده از روش های معمول و افزایش دقت پیش بینی ، استفاده از یادگیری ماشین برای شناسایی افراد با اختلال های روان شناختی رو به افزایش است. هدف این مقاله مرور نظاممند پژوهشهای انجام شده با استفاده از دادههای شبکههای اجتماعی در پیشبینی و تشخیص اختلالهای روانشناختی به کمک یادگیری ماشین است.
روش: در این پژوهش به روش مرور نظاممند مبتنی بر پریسما، از طریق جستجوی کلید واژههای اصلی تشخیص و پیشبینی اختلالهای روان شناختی در ترکیب با واژههای یادگیری ماشین و فضای مجازی در پایگاههای اطلاعاتی تخصصی ایران و جهان شامل (Pupmed, Springer, ProQuest ,Elsevier, Science Direct, Google Scholar, Magiran) بدون در نظر گرفتن سال انتشار آنها،یافته ها و اطلاعات مورد نظر جهت دستیابی به هدف پژوهش مورد واکاوی قرار گرفت.
یافته ها: بیماری افسردگی بیشترین فراوانی در بین 20 مقاله نهایی انتخاب شده را دارا بوده که با قدرت پیشبینی 42 و 87 درصد در بین مقالههای بررسی شده به ترتیب کمترین و بیشترین توان پیشبینی افسردگی را داشته است. از طرفی تنها در 30 درصد مطالعات از پرسشنامه برای جمع اوری داده از فضای مجازی استفاده شده است و بیشترین رویکرد برای جمعآوری داده، استفاده از پستهای عمومی در شبکههای اجتماعی با استفاده از عبارات منظم[1] بوده است که در این بین در 60 درصد مطالعههای انجام شده از ابزار [2] LIWC استفاده شده است. توییتر نیز به عنوان بیشترین منبع برای جمع اوری داده در این قبیل مطالعات استفاده شده است.
نتیجه گیری : به نظر میرسد روانشناسی محاسباتی مبتنی بر روشهای یادگیری ماشین بتواند به شناسایی به موقع و انتخاب درمانهای مؤثرتر اختلالهای روانی در کاربران شبکههای اجتماعی کمک نماید. البته با وجود پیشرفتهایی که در این حیطه صورت گرفته اشکالاتی نیز به این روشها وارد است که میتوان به مسائل اخلاقی ناشی از شکستن حریم خصوصی افراد و همچنین پیچیدگی و دخالت عوامل متعدد در تشخیص اختلالها اشاره نمود؛ با این وجود بنظر می رسد با توسعه و رشد این حیطه، محققان قادر خواهند بود به بررسی و پیشبینی دقیقتر اختلالات روان شناختی کاربران فضاهای مجازی در مقیاسهای بزرگتر بپردازند.
[1] Regular expressions
[2] Linguistic inquiry and word count
Introduction: Psychological disorders is one of the most problematic and important issue in todaychr('39')s society. Early prognosis of these disorders matters because receiving professional help at the appropriate time could improve the quality of life of these patients. Recently, researches use social media as a form of new tools in identifying psychological disorder. It seems that through the use of social networks can get longitudinal reports about situations of peoplechr('39')s lives like marriage, birth of child, losing a job, divorce, unpleasant events etc. as the primary evidence indicator of hidden mental or behavioral problems. Nowadays, personal contents that the users shared can be useful in the identification of the levels of their mental health. Based on this, a number of researchers tried to take step in predicting some of the mental disorders like depression, suicide tendency, bipolar, anxiety and so on considering social network data by using artificial intelligence from web the Data (Pupmed, Springer, ProQuest, Scopus, Science direct, Google Scholar, Magiran). Therefore, because of the complexity of identifying mental disorders by using common methods and also for the increase of prediction accuracy, researchers used some branches of artificial intelligence like machine learning to identify the users that are in need of psychological help.
Methods: Based on prisma this article aims to systematically review the articles in the field of mental health through searching the main keywords of diagnosis and prediction of mental disorders combining with machine learning world without considering the dates of their publication.
Results: Our study showed that most of these studies have been done on depressive disorder, among which the machine learning model was used predictive power with 42% accuracy among the reviewed articles had the least prediction power and with 87% accuracy the most prediction power. Conclusion: It seems that computational psychology based on machine learning methods could help in identifying and choosing the appropriate treatment of disorders like depression, post-traumatic stress disorder, bipolar and suicide in the users of social media like Instagram, Twitter and Facebook. Although, there are so many developments in this field, there are still some faults in these methods like ethical issues related to invasion peoplechr('39')s privacy and also the complexity and interference of many factors identifying disorders.
Thus, it should be mentioned that these methods need a wider and more extensive developments and in the future by improvement in this field, researchers will be able to investigate and predict more accurately the disorders of the users of the social networks in larger scales.