|
Title
|
كاربرد تحليل احساسات متن در علوم رفتاري و روانشناسي
|
|
Type
|
Thesis
|
|
Keywords
|
تحليل احساسات متن، تشخيص احساسات انساني،
پردازش زبان طبيعي، تفسيرپذيري، سلامت روان
يادگيري ماشين، يادگيري عميق، اختلال استرس،توضيح پذيري
|
|
Abstract
|
زمينه: تحليل احساسات (SA) شاخه اي از پردازش زبان طبيعي و علوم كامپيوتر است كه تلاش مي كند از يادگيري ماشين و هوش مصنوعي (AI) در جهت شناخت عواطف و احساسات انساني استفاده نمايد. تشخيص ميزان استرس يكي از مسائل مهم در حوزه علوم رفتاري و روانشناسي است. امروزه با گسترش كاربرد شبكه هاي اجتماعي، محتواي منتشر شده در اين رسانه ها مي تواند به عنوان يك منبع مهم اطلاعات در سنجش سلامت روان جامعه تلقي گردد و دستاورد هاي قابل توجهي براي علوم رفتاري و روان شناسي به همراه داشته باشد. لذا استفاده از روش هاي تحليل محتوا به ويژه محتواي متني مي تواند كمك چشمگيري به فعالان حوزه ي سلامت روان در فرايند تشخيص و درمان ارائه دهد. در اين راستا، تشخيص خودكار استرس در متن، يك موضوع كاربردي و مطرح در زمينه تلفيق حوزه هاي پردازش زبان طبيعي (NLP) و روانشناسي است. از اينرو، زمينه ي اصلي در پژوهش جاري، تشخيص استرس يك كاربر با توجه به پيام هاي متني ارسالي او در شبكه اجتماعي با استفاده از تركيب روش هاي يادگيري عميق (DL) مي باشد. هدف: هدف اين مطالعه ايجاد سيستم تشخيص زودهنگام اختلالات ناشي از استرس در افراد با كمك روش هاي هوش مصنوعي است. در اين مطالعه سعي شده از محتواي متوني كه افراد در پست هاي خود منتشر مي كنند، وجود استرس را تشخيص دهيم تا به روان درمانگر در تشخيص اختلالات ناشي از استرس و توجه بيشتر به اين اختلال كمك نمايد. در اين مطالعه از مجموعه داده هاي Dreaddit و همچنين از پردازش زبان طبيعي و الگوريتم هاي يادگيري ماشين (ML) و يادگيري عميق براي طبقه بندي متن استفاده شده است. اين پژوهش به درمانگران و مراجعان در جهت كنترل پيامدهاي ناشي از استرس و واكنش هاي آن كمك مي كند. محصول نهايي اين پژوهش از ديدگاه يك پژوهش كاربردي، يك سيستم نرم افزاري هوشمند دستيار روان درمانگر است كه قادر به تحليل و تشخيص استرس متون خواهد بود كه خروجي آن مي تواند توسط فعالان حوزه سلامت روان مورد استفاده قرار گيرد. همچنين جهت بررسي ميزان اعتبار مدل با بهترين عملكرد، به تفسير و شفاف سازي آن پرداخته شده است.
روششناسي: به طور كلي در اين پژوهش از تكنيك هاي يادگيري ماشين، شبكه هاي عصبي عميق و پردازش زبان طبيعي استفاده شده است. زير وظايف دسته بندي متن ، توكن سازي ، ريشه يابي ، برچسب گذاري ، تجزيه نحوي و برخي وظايف مربوط به تحليل معنايي
|
|
Researchers
|
masoud satarzadeh (Student) , Mohammad Bidoki (First primary advisor) , Niloofar Ranjbar (First primary advisor)
|