شناسایی اختلال‌های روان‌شناختی بر اساس داده‌های موجود در محیط‌های مجازی با استفاده از یادگیری ماشین

اخیراً پژوهش‌هایی در راستای به‌کارگیری شبکه‌های اجتماعی به‌عنوان بستری جدید برای شناسایی افراد با اختلال‌های روانی صورت گرفته است. علاوه بر این به دلیل پیچیدگی تشخیص بیماری‌های روان‌شناختی با استفاده از روش‌های معمول، استفاده از یادگیری ماشین برای شناسایی این افراد رو به افزایش است. هدف این مقاله مرور پژوهش های انجام شده با استفاده از داده‌های شبکه‌های اجتماعی در پیش‌بینی و تشخیص اختلال‌های روان‌شناختی به کمک یادگیری ماشین است. در این پژوهش به روش مرور نظام‌مند مبتنی بر پریسما، از طریق جستجوی کلید واژه‌های اصلی تشخیص و پیش‌بینی اختلال‌های روان‌شناختی در ترکیب با واژه‌های یادگیری ماشین و فضای مجازی در پایگاه‌های اطلاعاتی تخصصی بدون در نظر گرفتن سال انتشار آن‌ها، یافته‌ها و اطلاعات مورد نظر جهت دستیابی به هدف پژوهش مورد واکاوی قرار گرفت. اختلال روان‌شناختی افسردگی در بین 20 مقاله نهایی انتخاب شده بیشترین فراوانی با قدرت پیش‌بینی 42 و 87 درصد به ترتیب کمترین و بیشترین توان پیش‌بینی افسردگی را داشته است. از طرفی برای جمع‌آوری داده تنها 30 درصد مطالعات از پرسشنامه فضای مجازی و بیشترین رویکرد، از پست‌های عمومی در شبکه‌های اجتماعی با عبارات منظم و نیز توییتر به‌عنوان بیشترین منبع استفاده‌ شده است. به نظر می‌رسد روانشناسی محاسباتی مبتنی بر روش‌های یادگیری ماشین بتواند به شناسایی و پیش‌بینی دقیق‌تر اختلال‌های روان‌شناختی کاربران فضاهای مجازی کمک نماید.

Identifying Psychological Disorders Based on Data in Virtual Environments Using Machine Learning

Recently, research has been conducted on the use of social networks as a new platform for identifying people with mental disorders. In addition, because of the complexity of diagnosing psychological diseases using conventional methods, the use of machine learning for identifying theses psychological diseases is increasing. The goal of this article was to systematically review the research conducted using social media data for predicting and diagnosing psychological disorders with the help of machine learning. Based on systematic review on the Prisma method, the aim of this article was achieved through searching the main keywords of diagnosis and the prediction of mental disorders combined with machine learning and social media data without considering the dates of their publications. Depression had the highest frequency among the final 20 selected articles with a predictive power of 42% and 87%, the lowest and the highest respectively. On the other hand, only 30% of studies used questionnaires for gathering data on social media and the most common approach for data collection was public posts on social media by the use of regular expressions. Twitter has also been used as the largest source of data collection in these sorts of studies. It seems that computational psychology based on machine learning methods could help to identify disorders at an appropriate time and select more effective treatments for mental disorders among the users of social media.