การพัฒนาแบบจำลองการวิเคราะห์ความเสี่ยงของการเกิดภาวะซึมเศร้าโดยใช้ข้อมูลเครือข่ายสังคมออนไลน์
คำสำคัญ:
ภาวะซึมเศร้า, เครือข่ายสังคมออนไลน์, แบบจำลองการวิเคราะห์ความเสี่ยงบทคัดย่อ
ด้วยจำนวนผู้ป่วยโรคซึมเศร้าที่เพิ่มขึ้นอย่างต่อเนื่อง ซึ่งส่วนใหญ่ไม่ได้รับการรักษา และอาศัยการแสดงออกผ่านทางสื่อสังคมออนไลน์ ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อออกแบบและพัฒนาแบบจำลองการวิเคราะห์ความเสี่ยงของการเกิดภาวะซึมเศร้าโดยใช้เครือข่ายสังคมออนไลน์ ซึ่งได้เก็บรวบรวมข้อมูลการทำแบบประเมินภาวะซึมเศร้า 9 คำถาม ร่วมกับข้อมูลการแสดงความคิดเห็นในทวิตเตอร์ จากผู้ใช้งาน จำนวน 292 คน แบ่งเป็นผู้ที่มีภาวะซึมเศร้า 178 คน และไม่มีภาวะซึมเศร้า 114 คน โดยประยุกต์ใช้เทคนิคไฮบริดแมชชีนเลินนิง ในการสร้างแบบจำลอง และนำไปเปรียบเทียบกับเทคนิคอื่น ๆ ได้แก่ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน เทคนิคนาอีฟเบย์ เทคนิคต้นไม้การตัดสินใจ เทคนิคการเรียนรู้เชิงลึก และเทคนิคแรนดอมฟอเรส ผลการทดลองพบว่า เทคนิคไฮบริดแมชชีนเลินนิงมีค่าประสิทธิภาพโดยรวมสูงกว่าเทคนิคการเรียนรู้ของเครื่องอื่นทั้งหมด นอกจากนั้นยังพบว่า คุณลักษณะที่เหมาะสมในการสร้างแบบจำลองในงานวิจัยนี้คือ คุณลักษณะทั้งหมด ซึ่งประกอบด้วย คุณลักษณะด้านกายภาพ คุณลักษณะจากทวิตเตอร์ที่เป็นข้อมูลทั่วไป คุณลักษณะจากทวิตเตอร์ที่เป็นข้อมูลประเภทข้อความ และคุณลักษณะจากทวิตเตอร์ที่เป็นสัญรูปอารมณ์
Downloads
เอกสารอ้างอิง
Hongsrisuwan, N. (2016). Depression. HCU Journal of Health Science, 19(38), 105-118.
The Excellence Center for Depression Disorder. (2017). Knowledge and essence about depression, World Health Day 2017. Depression: Let's talk. pp. 1-2.
WHO. (2021). Depression. Retrieved from https://www.who.int/news-room/factsheets/detail/depression
Tawichsri, T., and Sa-ngimnet, B. (2021). Mental health problems in Thailand during the Covid-19 crisis from the perspective of an economist (aBRIDGEd No. 8/2021). Puey Ungphakorn Institute for Economic Research. Retrieved from https://www.pier.or.th/abridged/2021/08/
Department of Mental Health. (2021). Strategic Plan for the Department of Mental Health during the 12th National Economic and Social Development Plan (2017-2021). Mental Health Strategy Department of Mental Health. pp. 19-20.
Institute for Population and Social Research Mahidol University. (2017). Thai health report 2560. Bangkok, Thailand: Amarin Printing & Publishing Public Company Limited. pp. 88-89.
Phanichsiri, K., and Tuntasood, B. (2016). Social Media Addiction and Attention Deficit and Hyperactivity Symptoms in High School Students in Bangkok. Journal of the Psychiatrist Association of Thailand, 6(13), 191-204.
Choudhury, M., Counts, S., and Horvitz, E. (2013). Social media as a measurement tool of depression in populations. In Proceedings of the 5th Annual ACM Web Science Conference (WebSci '13), pp. 47-56. New York, USA: ACM.
Barhan, A., and Shakhomirov, A. (2012). Methods for sentiment analysis of twitter messages. In: Proceedings of the 12th Conference of Fruct Association, pp. 215-222.
Sood, A., Hooda, M., Dhirn, S., and Bhatia, M. (2018). An initiative to identify depression using sentiment analysis: A machine learning approach. Indian Journal of Science and Technology, 11, 1-20.
Park, M., Cha, C., and Cha, M. (2012). Depressive moods of users portrayed in Twitter. In Proceedings of the ACM SIGKDD Workshop on Healthcare Informatics (HI-KDD). pp. 183-195. Beijing, China: ACM.
Orabi, H. A., Buddhitha, P., Orabi, H. M., and Inkpen, D. (2018). Deep Learning for Depression Detection of Twitter Users. In Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic, pp. 88-97. New Orleans, Louisiana.
Aldarwish, M., and Ahmad, H. (2017). Predicting Depression Levels Using Social Media Posts, In IEEE 13th International Symposium on Autonomous Decentralized System (ISADS), pp. 277-280. Bangkok, Thailand.
Hu, Q., Li, A., Heng, F., Li, J., and Zhu, T. (2015). Predicting Depression of Social Media User on Different Observation Windows. In Proceedings of IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology (WI-IAT), pp. 361-364. Singapore.
Hootsuite. (2019). Digital 2019 Thailand : Social Media Audiences Quarterly Growth. Retrieved from https://www.slideshare.net/DataReportal/digital-2019-thailand-january-2019-v01
Suntaphun, P., Bussahong, S., and Srisoem, C. (2019). Adolescent Depression: Nursing Roles. Kuakarun Journal of Nursing, 26(1), 187-199.
Nielsen, J., and Landauer, T. K. (1993). A mathematical model of the finding of usability problems. In Proceedings of the INTERACT'93 and CHI'93 Conference. pp. 206-13.
Public Relations Department of Mental Health. (2018). Depression Assessment (9Q). Retrieved from https://www.dmh.go.th/test/download/files/2Q%209Q%208Q%20(1).pdf
Mahittivanicha, N. (2020). Global social media usage statistics and behavior Q1. Retrieved from https://www.twfdigital.com/blog/2020/02/global-social-media-usage-stats-q1-2020/
Kralj Novak, P., Smailovic, J., Sluban, B., and Mozetic, I. (2015). Sentiment of Emojis. PLoS ONE, 10(12), e0144296. https://doi.org/10.1371/journal.pone.0144296
Vateekul, P., and Koomsubha, T. (2016). A study of sentiment analysis using deep learning techniques on Thai Twitter data. In Proceedings of 2016 13th International Joint Conference on Computer Science and Software Engineering (JCSSE). pp 1-6.
Islam, M. R., Kabir, M. A., Ahmed, A., Kamal, A. R. M., Wang, H., and Ulhaq, A. (2018). Depression detection from social network data using machine learning techniques. Health Information Science and Systems, 6(8), 1-12.
Hutto, C., and Gilbert, E. (2014). VADER: A parsimonious rule-based model for sentiment analysis of social media text. In Proceedings of the 8th International Conference on Weblogs and Social Media, ICWSM 2014, pp. 216-225. Ann Arbor, MI, USA.
Stephen, J. J., and Prabu, P. (2019). Detecting the magnitude of depression in Twitter users using sentiment analysis. International Journal of Electrical and Computer Engineering (IJECE), 9(4), 3247-3255. https://doi.org/10.11591/ijece.v9i4.pp3247-3255
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2024 วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ สาขาวิทยาศาสตร์และเทคโนโลยี
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ สาขาวิทยาศาสตร์และเทคโนโลยี อยู่ภายใต้การอนุญาต Creative Commons Attribution-NonCommercial-NoDerivs 4.0 International (CC-BY-NC-ND 4.0) เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดอ่านหน้านโยบายของวารสารสำหรับข้อมูลเพิ่มเติมเกี่ยวกับการเข้าถึงแบบเปิด ลิขสิทธิ์ และการอนุญาต
