فایل این پایان نامه تا تاریخ 1401/01/09 قابل مشاهده نیست
عنوان	شناسایی کاربران دوقطبی از داده های توییتر
عنوان لاتین	Detecting bipolar users from twitter data
نویسنده	کدخدا، الهام - kadkhoda, elham
استاد راهنما	کاهانی، محسن
مقطع تحصیلی	کارشناسی ارشد
سال دفاع از پایان نامه	۱۴۰۰
رشته	مهندسی کامپیوتر - نرم افزار
توصیفگر	کاربران
توصیفگر	اختلال دوقطبی
توصیفگر	بیماری‌های روانی
توصیفگر	توئیتر
توصیفگر	شبکه‌های اجتماعی
توصیفگر	یادگیری ماشین
چکیده فارسی	اختلال دوقطبی نوعی بیماری روانی است که به کمک نوسان خلقی فرد، بین دوره های افسردگی و یا شیدائی، شناخته می شود. طبق آمار ارائه شده توسط سازمان جهانی بهداشت، حدود 45 میلیون نفر در سراسر جهان، از این اختلال رنج می برند. این در حالی است که در بیشتر مبتلایان، اختلال تشخیص داده نمی شود و یا بین زمان بروز علائم بیماری و تشخیص، تقریبا 10 سال تاخیر وجود دارد. در نتیجه این امر، فرد مبتلا درمعرض خطراتی چون خودکشی قرار می گیرد. در مقابل، تشخیص زود هنگام اختلال مزایایی چون جلوگیری از مزمن شدن، کم شدن شدت علائم و نهایتا بهبود کیفیت زندگی و عملکرد اجتماعی فرد را، به دنبال خواهد داشت. با وجود اهمیت تشخیص درست و به موقع، روش های تشخیص سنتی با مشکلات زیادی مواجه هستند که این امر موجب رغبت محققین به استفاده از روش های خودکار تشخیصی شده است. در همین راستا، در سیستم پیشنهاد شده در این تحقیق، ویژگی های مختلف مربوط به کاربران دوقطبی و عادی از داده های توئیتر استخراج شده است. در ادامه، روشی برای مدل کردن و بررسی تغییرات این ویژگی ها، ارائه شده و نهایتا یک دسته بند جنگل تصادفی روی داده های موجود، تعلیم داده شده است. ارزیابی این سیستم به کمک معیارهای مختلف دقت، صحت، فراخوانی و امتیاز f صورت گرفته که مقادیر این معیارها، نشان دهنده ی موفقیت سیستم پیشنهادی، در بهبود عملکرد فرآیند تشخیص است.
چکیده لاتین	Bipolar disorder is a type of mental illness that is characterized by mood swings between periods of depression or mania. According to the World Health Organization, about 45 million people worldwide suffer from this disorder. However, in most patients, the disorder is not diagnosed or there is a gap of 5 to 10 years between the onset of symptoms and diagnosis. As a result, the sufferer is exposed to risks such as suicide. In contrast, early detection of the disorder will have benefits such as preventing chronicity, reducing the severity of symptoms, and ultimately improving a person's quality of life and social functioning. Despite the importance of accurate and timely diagnosis, traditional diagnostic methods face many problems, which has led researchers to use automated diagnostic methods. In this regard, in the proposed system, various features related to bipolar and normal users have been extracted from Twitter data. A method for modeling and examining the changes of these features is presented in this dissertation, and finally a random forest classifier is trained on the available data. The evaluation of this system has been done with the help of the various criteria of accuracy, precision, recall and f-score. The results show that the proposed system has improved the performance of the detection process in comparison with other methods.
لیست فایلها:	چکیده فارسی فهرست مطالب فهرست منابع و ماخذ چکیده انگلیسی صفحه عنوان انگلیسی