Lakhasly

يتناول هذا البحث مشكلة الكشف عن الاكتئاب في التغريدات العربية باستخدام نماذج التعلم العميق. 510 تغريدة عبر واجهة برمجة تطبيقات تويتر باستخدام وسوم وحسابات مرتبطة بالاكتئاب. خضعت البيانات بعد ذلك لمعالجة أولية مكثفة، بالإضافة إلى تطبيع الأحرف العربية (الألف، بمقارنة شبكة CNN بخمس طبقات (طبقة التضمين + ثلاث طبقات التفاف + التجميع + الكثافة + الإخراج) وشبكة RNN، بالإضافة إلى نموذج SVM كمرجع أساسي. بالإضافة إلى اقتصار المهمة على التصنيف الثنائي فقط. أوصت الدراسة بتوسيع حجم البيانات، وتجربة نماذج هجينة أو متقدمة مثل Transformers.

يتناول هذا البحث مشكلة الكشف عن الاكتئاب في التغريدات العربية باستخدام نماذج التعلم العميق. جُمعت 18,510 تغريدة عبر واجهة برمجة تطبيقات تويتر باستخدام وسوم وحسابات مرتبطة بالاكتئاب. خضعت البيانات بعد ذلك لمعالجة أولية مكثفة، شملت إزالة الروابط، والإشارات، والوسوم، والتكرارات، وعلامات الترقيم، والكلمات الطويلة، بالإضافة إلى تطبيع الأحرف العربية (الألف، والهمزة، والتاء المربوطة، والألف المقصورة) وإزالة علامات التشكيل. ثم صنّف المتخصصون التغريدات يدويًا على أنها مكتئبة/غير مكتئبة.

اعتمدت الدراسة على تمثيل FastText (300 بُعد) كمدخلات لنماذج التعلم العميق، بمقارنة شبكة CNN بخمس طبقات (طبقة التضمين + ثلاث طبقات التفاف + التجميع + الكثافة + الإخراج) وشبكة RNN، بالإضافة إلى نموذج SVM كمرجع أساسي.

أظهرت النتائج تفوق CNN بشكل واضح على RNN (Acc=88%، Prec=92، Rec=82، F1=85) وSVM (Acc=73%). تمثلت القيود الرئيسية في صعوبة التصنيف اليدوي والاختلافات في السياقات اللهجية، بالإضافة إلى اقتصار المهمة على التصنيف الثنائي فقط. أوصت الدراسة بتوسيع حجم البيانات، وإضافة تصنيفات متعددة لشدة الاكتئاب، وتجربة نماذج هجينة أو متقدمة مثل Transformers.