توسعه سیستم‌های پشتیبان تصمیم بالینی در روانپزشکی با استفاده از داده‌های میکروبلاگینگ

هدف: روند تشخیص اختلال روانی در رویکرد‌های سنتی، متکی بر پرسشنامه، مصاحبه و بررسی‌های بالینی است؛ درحالی‌که ابزارهای غربالگری خودکار می‌توانند مسیر کوتاه‌تری را طی کنند و به‌عنوان استراتژی‌های ارزیابی نوین، سیستم‌های پشتیبان تصمیم و راهبردهای پیشگیری برای کمک به افراد مستعد توسعه یابند. با توجه به تمایل افراد به اشتراک‌گذاری افکار و احساسات در سکو‌های اجتماعی، داده‌های میکروبلاگینگ حاوی اطلاعات ارزشمندی هستند که می‌توانند برای شناسایی حالات روانی مورد تحلیل قرار گیرند. هدف از این پژوهش تشریح سازوکار تحلیل داده در زمینه مورد بحث است.روش‌شناسی پژوهش: در این مقاله، در ابتدا مفاهیمی مانند سلامت روان الکترونیک و سکوهای میکروبلاگینگ معرفی شده و با ارائه توضیحاتی در خصوص علم داده و تحلیل داده اجتماعی، ارتباط مفاهیم با یکدیگر مورد بحث قرار می‌گیرد. در ادامه در قالب بخشی جداگانه، پیش‌بینی اختلال در شبکه‌های اجتماعی شرح داده می‌شود. در نهایت با بررسی سوابق تحقیق و مسائل باز، به چگونگی جمع‌آوری داده، پیش‌پردازش و روند استفاده از ویژگی‌های متفاوت به کمک ابزارهای تحلیل گوناگون می‌پردازیم.یافته‌ها: این پژوهش با پیاده‌سازی نمونه‌ای کاربردی از تجزیه‌وتحلیل داده اجتماعی روی داده‌های دنیای واقعی نشان می‌دهد، ویژگی‌های استخراج شده از نمایه کاربر، تأثیر قابل توجهی در پیش‌بینی علائم افسردگی دارند و حتی می‌توان با اطلاعات استخراج شده از نمایه عمومی کاربر، وضعیت روانی را با دقتی مناسب پیش‌بینی نمود.اصالت/ارزش افزوده علمی: در این پژوهش چگونگی تحلیل خودکار داده اجتماعی با هدف شناسایی اختلال روانی شرح داده شده و در پیاده‌سازی مشخص می‌شود که علائم تقریباً در تمام ویژگی‌های مورد مطالعه قابل پیگیری هستند.