Depression sentiment analysis based on social media content like Twitter
Notice bibliographique
Résumé
Everyone may now readily communicate and share their sentiments with individuals around the world thanks to the various social networking platforms. In the current scenario, some people are more extroverted on social media than others around them. In the end, whenever they get into trouble or any situation where they need other people’s help who gives them motivation or who cares, they would not be there because that time sufferer prefers to express their feeling on social media rather than any close once. Therefore, if they are warned in advance, there are some strategies that reduce the stress and mental health issues that they are experiencing. Due to rising these issues globally, attract many researchers to focus on the subject and provide some viable solutions, where there is still a need for more research that provides some efficient results. So finally, we built a project in which it takes users’ tweets as input, and it will give the result in the form of depression or not using the help of a machine learning algorithm. For the segmentation of tweets, we are using LSTM (Long Short-Term Memory) machine learning algorithm which is best suited for this task. Not only this but LSTM performs best out of available machine learning algorithms. All the emotions are identified as neutral, positive, or negative which assists to provide a solution toward sentiments. Apart from this, we are not focusing on only the English language but we will try to counter this issue in different languages by translating other languages into English, which other researchers have missed out on in their research. With the help of these results, the company will take different steps to mitigate the stress from those users by providing motivational feeds in their feed section or any other way.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».