اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت

Name: اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت
Author: مدرس الدكتور محمد لوتي

مدرس الدكتور محمد لوتي

doi:10.1007/s44196-025-01142-6

الصحة النفسية

اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت

مارس 31, 2026 • مدرس الدكتور محمد لوتي •

أبرز النقاط

تم تطوير إطار عمل جديد للكشف عن الاكتئاب (GO-DEPRESSION) يعتمد على التعلم العميق وتحسين خصائص Gannet، وذلك باستخدام بيانات مختلطة من لغات مختلفة.
تم إنشاء مجموعة بيانات مخصصة ومُعلَّمة يدويًا من منصات مثل يوتيوب وتويتر، وتم استخدام قاموس المشاعر NRC لتصنيفها.
استخدمت طريقة Coordinate Attention-based CNN-BiLSTM لتصنيف خمس حالات عاطفية مختلفة، مما يتيح تحديد أعراض الاكتئاب من خلال المعلومات النصية على وسائل التواصل الاجتماعي.
حققت الدقة (Accuracy) المقترحة في النموذج 98.69%، متفوقة على النماذج الحالية مثل MDHAN و DEPTWEET و TS-LSTM.

هل يمكن لخوارزميات الذكاء الاصطناعي أن تكشف عن الاكتئاب من خلال منشوراتنا على وسائل التواصل الاجتماعي؟

تخيل أنك تتصفح حسابك على تويتر أو يوتيوب، تشارك أفكارك ومشاعرك، ربما تعبر عن يوم سيء أو لحظة حزن. هل فكرت يومًا أن هذه المنشورات، التي تبدو عابرة، قد تحمل مفتاحًا لفهم حالتك النفسية؟ هذا السؤال ليس مجرد تخمين، بل هو محور بحث علمي متزايد الأهمية، خاصةً مع ارتفاع معدلات الاكتئاب عالميًا.

الاكتئاب، وهو اضطراب نفسي يؤثر على الملايين، غالبًا ما يجد طريقه للتعبير عنه عبر الإنترنت. لكن التحدي يكمن في فك رموز هذه التعبيرات، خاصةً عندما تكون مكتوبة بلغة غير رسمية، أو مختلطة بين اللغات (ما يُعرف بالـ “code-mixing”)، أو مليئة بالأخطاء الإملائية والنحوية. هنا يأتي دور الذكاء الاصطناعي.

منهجية البحث

باحثون بقيادة شيتراكالا إس. قاموا بتطوير نظام جديد للكشف عن الاكتئاب من خلال تحليل النصوص المختلطة لغويًا على وسائل التواصل الاجتماعي، أطلقوا عليه اسم “GO-DEPRESSION” (إطار عمل مُحسّن باستخدام خوارزمية Gannet للكشف عن الاكتئاب). بدأت العملية بإنشاء مجموعة بيانات (dataset) مخصصة، تم جمعها من منصتي يوتيوب وتويتر. تم تصنيف هذه البيانات يدويًا باستخدام “قاموس المشاعر NRC” (NRC Emotion Lexicon)، وهو أداة لغوية تحدد المشاعر المرتبطة بالكلمات والعبارات.

بعد ذلك، خضعت البيانات لعملية تنظيف وتحضير دقيقة، تضمنت تقسيم النص إلى وحدات أصغر (tokenizing)، وتحويل الكلمات المكتوبة بأحرف مختلفة إلى شكل موحد (transliteration)، وتطبيع اللغة (normalization) لإزالة التناقضات، وإزالة الضوضاء غير الضرورية. لتحويل النص إلى بيانات قابلة للفهم بواسطة الكمبيوتر، استخدم الباحثون نسخة معدلة من تضمينات FastText (FastText embedding)، وهي تقنية لتحويل الكلمات إلى متجهات رقمية تعبر عن معناها.

ولتحسين هذه المتجهات الرقمية، استخدموا خوارزمية “تحسين Gannet” (Gannet Optimization Algorithm – GOA)، وهي خوارزمية مستوحاة من سلوك طيور الخرشنة في البحث عن الطعام. أخيرًا، استخدموا نموذجًا معقدًا يجمع بين شبكة عصبية التفافية (Convolutional Neural Network – CNN) وشبكة ذاكرة طويلة قصيرة المدى ثنائية الاتجاه (Bidirectional Long Short Term Memory – BiLSTM) مع آلية “الانتباه الإحداثي” (Coordinate Attention) لتصنيف المشاعر الخمس الرئيسية: الحزن، والخوف، والغضب، والفرح، والاشمئزاز. هذا النموذج قادر على التمييز بين هذه المشاعر المختلفة، وبالتالي تحديد أعراض الاكتئاب المحتملة من خلال تحليل النصوص.

النتائج

أظهرت النتائج أن نظام GO-DEPRESSION حقق دقة مذهلة بلغت 98.69% في الكشف عن الاكتئاب. هذه النسبة تتفوق بشكل كبير على دقة النماذج الحالية الأخرى، مثل MDHAN (90.4%)، و DEPTWEET (89.2%)، و TS-LSTM (88.1%). تم تقييم النظام باستخدام مقاييس مختلفة، بما في ذلك الدقة (precision)، والاسترجاع (recall)، والنوعية (specificity)، والدقة الشاملة (accuracy)، ودرجة F1 (F1-score)، مما يؤكد موثوقية النتائج.

الآثار

هذا البحث يفتح آفاقًا جديدة في مجال الصحة النفسية الرقمية. فالقدرة على الكشف عن الاكتئاب تلقائيًا من خلال تحليل منشورات وسائل التواصل الاجتماعي يمكن أن تساعد في تحديد الأفراد المعرضين للخطر وتقديم الدعم اللازم لهم في وقت مبكر. يمكن أن يكون هذا مفيدًا بشكل خاص في الحالات التي يتردد فيها الأفراد في طلب المساعدة بشكل مباشر.

بالطبع، هناك اعتبارات أخلاقية مهمة يجب أخذها في الاعتبار. يجب ضمان خصوصية المستخدمين وحماية بياناتهم، ويجب استخدام هذه التقنية بحذر لتجنب التمييز أو الوصم. ومع ذلك، فإن الإمكانات الهائلة لهذا النوع من التكنولوجيا في تحسين الصحة النفسية تجعلها مجالًا واعدًا للبحث والتطوير المستقبلي. ففي عالم يزداد فيه الاعتماد على وسائل التواصل الاجتماعي، قد يكون الذكاء الاصطناعي هو المفتاح لفهم مشاعرنا وتقديم المساعدة لمن يحتاجها.

Reference

Chitrakala S. (2026). GO-DEPRESSION: Gannet Optimization Codemix Features Based Coordinate Attention CNN-BiLSTM for Penta Depression Detection. International Journal of Computational Intelligence Systems, 19(1).

DOI: 10.1007/s44196-025-01142-6

المناقشة والتفكير النقدي

ما هي التحديات الرئيسية في تحديد وتصنيف الحالات العاطفية في البيانات النصية المختلطة من لغات مختلفة، وكيف ساهم إطار عمل GO-DEPRESSION في التغلب على هذه التحديات؟
كيف يمكن تحسين عملية جمع البيانات وتصنيفها المستخدمة في تدريب نماذج الكشف عن الاكتئاب، وما هي الاعتبارات الأخلاقية التي يجب أخذها في الاعتبار؟
ما هي القيود المحتملة لإطار عمل GO-DEPRESSION، وما هي الاتجاهات المستقبلية المحتملة للبحث في هذا المجال؟

تفاصيل الدراسة

قوي Article

International Journal of Computational Intelligence Systems

فبراير 21, 2026

S. Chitrakala S. Senthamizhselvi

IN

S. Chitrakala et al. (2026). GO-DEPRESSION: Gannet Optimization Codemix Features Based Coordinate Attention CNN-BiLSTM for Penta Depression Detection

DOI: 10.1007/s44196-025-01142-6

اقرأ الملخص العلمي الأصلي

Depression is a significant mental health condition affecting millions of people worldwide. Social media platforms, such as Twitter, Facebook, and Instagram often serve as spaces where individuals express their emotions and share personal experiences. However, accurately identifying and categorizing emotional states in code-mixed textual data remains a major challenge due to informal language usage, transliteration, and inconsistent grammar. To overcome these issues, a novel gannet feature optimized deep learning-based penta depression detection (GO-DEPRESSION) framework has been proposed using code-mixed data. Initially, a custom annotated dataset is created using data gathered from platforms like YouTube and Twitter. The NRC Emotion Lexicon is used to label these data and preprocesses them by tokenizing, transliterating, normalizing, and removing noise. A modified FastText embedding is used to extract features and the gannet optimization algorithm (GOA) is used to optimize the features. To perform the classification of the chosen features, a coordinate attention-based convolutional neural network bidirectional long short term memory (CA-CBiLSTM) is used to distinguish the five chosen emotional states which makes it possible to identify the symptoms of depression with the help of the textual information on social media. The framework is written in Python and tested on manually annotated dataset. The GO-DEPRESSION framework is evaluated using specificity, precision, recall, accuracy and F1-score variables. The accuracy of the proposed model is 98.69% and the accuracy of existing MDHAN, DEPTWEET and TS-LSTM is 90.4%, 89.2%, and 88.1%, respectively.

اقتبس من هذا المقالة

APAMLACHICAGOHARVARDIEEEAMA

مدرس الدكتور محمد لوتي (2026). اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت. عرب سايكلوجي. تم الاسترجاع من https://arabpsychology.com/field-news/%d8%a7%d9%83%d8%aa%d8%b4%d8%a7%d9%81-%d8%a7%d9%84%d8%a7%d9%83%d8%aa%d8%a6%d8%a7%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d9%86%d9%85%d9%88%d8%b0%d8%ac-go-depression-%d9%8a%d8%aa%d9%81%d9%88%d9%82-%d9%81%d9%8a/

مدرس الدكتور محمد لوتي. "اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت." عرب سايكلوجي, 31 مارس. 2026, https://arabpsychology.com/field-news/%d8%a7%d9%83%d8%aa%d8%b4%d8%a7%d9%81-%d8%a7%d9%84%d8%a7%d9%83%d8%aa%d8%a6%d8%a7%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d9%86%d9%85%d9%88%d8%b0%d8%ac-go-depression-%d9%8a%d8%aa%d9%81%d9%88%d9%82-%d9%81%d9%8a/.

مدرس الدكتور محمد لوتي. "اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت." عرب سايكلوجي, 2026. https://arabpsychology.com/field-news/%d8%a7%d9%83%d8%aa%d8%b4%d8%a7%d9%81-%d8%a7%d9%84%d8%a7%d9%83%d8%aa%d8%a6%d8%a7%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d9%86%d9%85%d9%88%d8%b0%d8%ac-go-depression-%d9%8a%d8%aa%d9%81%d9%88%d9%82-%d9%81%d9%8a/.

مدرس الدكتور محمد لوتي (2026) 'اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت', عرب سايكلوجي. متاح في: https://arabpsychology.com/field-news/%d8%a7%d9%83%d8%aa%d8%b4%d8%a7%d9%81-%d8%a7%d9%84%d8%a7%d9%83%d8%aa%d8%a6%d8%a7%d8%a8-%d8%a8%d8%af%d9%82%d8%a9-%d9%86%d9%85%d9%88%d8%b0%d8%ac-go-depression-%d9%8a%d8%aa%d9%81%d9%88%d9%82-%d9%81%d9%8a/.

[1] مدرس الدكتور محمد لوتي, "اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت," عرب سايكلوجي, مجلد X, عدد Y, ص Z-Z, مارس, 2026.

مدرس الدكتور محمد لوتي. اكتشاف الاكتئاب بدقة: نموذج GO-DEPRESSION يتفوق في تحليل البيانات المختلطة عبر الإنترنت. عرب سايكلوجي. 2026;vol(issue):pages.

تحميل المقال (.PDF)