Application of the Certainty Factor Method for Diagnosing Mental Illness Disease
Notice bibliographique
Résumé
Mental illness is a disease that is widespread among Indonesian people. Mental illness, also known as mental health disorder, is a term that refers to various conditions that can affect a person's thoughts, moods, feelings or behavior. However, there are still many Indonesian people who do not recognize and indicate the existence of mental illness because many people do not pay attention to their mental health or those around them. the small number of psychiatrists available in each area and the costs required are also not small, causing ordinary people to be reluctant to carry out examinations with psychiatrists, this of course leads to delays in treatment which can even be fatal. To prevent the increase in sufferers of mental illness, a system is needed that can store the knowledge of experts or psychologists who understand how to handle mental illness. An expert expert system is an artificial intelligence program that combines a knowledge base with an inference system to emulate an expert. The certainty factor method is a method used to solve cases of uncertainty, where the size is based on a fact or rule that can be used in expert systems. With the existence of an expert system for diagnosing mental illness, the general public can recognize early symptoms of mental illness, so treatment can be done earlier. From the results of the trials conducted, the results of the mental illness expert system were obtained with the highest score, namely depression with a confidence value of 90.02%.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».