Ανίχνευση ψυχικών διαταραχών σε social media με τεχνικές μηχανικής μάθησης

Κερασιώτης, Μάριος; Kerasiotis, Marios

dc.contributor.author	Κερασιώτης, Μάριος	el
dc.contributor.author	Kerasiotis, Marios	en
dc.date.accessioned	2024-02-12T11:48:52Z
dc.date.available	2024-02-12T11:48:52Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58843
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26539
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ψυχικές διαταραχές	el
dc.subject	Μέσα κοινωνικής δικτύωσης	el
dc.subject	Μετασχηματιστές	el
dc.subject	Επεξεργασία φυσικής γλώσσας	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Mental disorders	en
dc.subject	Social media	en
dc.subject	Transformers	en
dc.subject	Natural language processing	en
dc.subject	Neural networks	en
dc.title	Ανίχνευση ψυχικών διαταραχών σε social media με τεχνικές μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Τεχνητή νοημοσύνη	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-19
heal.abstract	Η παρούσα διπλωματική εργασία επικεντρώνεται στην ανίχνευση διαταραχών ψυχικής υγείας, συγκεκριμένα της κατάθλιψης, μέσω ανάλυσης αναρτήσεων στο Reddit. Χρησιμοποιώντας ένα σύνολο δεδομένων που αντιπροσωπεύει την κατάθλιψη με κλάσεις σοβαρότητας (ελάχιστη, ήπια, μέτρια, σοβαρή), η μελέτη χρησιμοποιεί ένα μοντέλο βασισμένο σε μετασχηματιστές, προερχόμενοι από τον BERT, μαζί με μεταδεδομένα, για την επεξεργασία των δεδομένων κειμένου. Τα τέσσερα τελευταία στρώματα των εξόδων του μετασχηματιστή συνενώνονται, πολλαπλασιάζονται με βάρη και συγχωνεύονται, προτού τροφοδοτηθούν σε αρχιτεκτονικές νευρωνικών δικτύων, όπως ∆ίκτυα Εμπρόσθιας Τροφοδότησης Πολλών Επιπέδων (Multi Layer Perceptron MLP), ∆ίκτυα Μακράς Βραχύχρονης Μνήμης (Long ShortTerm Memory, LSTM) και Πολυτροπικών Κυττάρων με Πύλες (Gated Multimodal Unit, GMU). Στην ανάλυση ενσωματώνονται μεταδεδομένα, συμπεριλαμβανομένων γλωσσικών μεταδεδομένων, αναφορών φαρμάκων κατάθλιψης, αποτελέσματα μοντέλου emoRoberta (συναισθηματική ανάλυση) και ανάλυσης συναισθήματος (πολικότητα). Χρησιμοποιούνται τεχνικές επαύξησης κειμένου για την αντιμετώπιση των περιορισμένων δεδομένων κατάθλιψης. Η έρευνα περιλαμβάνει επίσης τη σύγκριση των μετρικών που προκύπτουν από την εκτέλεση των μοντέλων νευρωνικών δικτύων για την αξιολόγηση της αποτελεσματικότητας των μοντέλων στην ανίχνευση κατάθλιψης σε αναρτήσεις στα μέσα κοινωνικής δικτύωσης.	el
heal.abstract	This diploma thesis focuses on the early detection of mental health disorders, specifically depression, through an analysis of Reddit posts obtained from public sources. Utilizing a dataset representing depression with severity classes (minimum, mild, moderate, severe), the study employs a transformerbased model, Bidirectional Encoder Representations from Transformers (BERT), integrated with metadata, to process the text data. The last four layers of the transformer outputs are concatenated, weighted, and fused, before being introduced to neural network architectures such as Multi Layer Perceptron (MLP), Long ShortTerm Memory (LSTM), and Gated Multimodal Unit (GMU). Metadata elements considered include temporal information, linguistic metadata, references to depression medication, emoRoberta outputs (emotional analysis), and sentiment analysis (polarity). Text augmentation techniques are also employed to counterbalance the limited depression data available. A primary objective of this research is to compare the metrics obtained from running these neural network models, assessing their effectiveness in identifying signs of depression in social media posts.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	95 σ.	el
heal.fullTextAvailability	false