نموذج جديد للكشف عن الاكتئاب: تعزيز الشرح والأداء بتقنيات الذكاء الاصطناعي المتقدمة

هل يمكن لوسائل التواصل الاجتماعي أن تكون نافذة على الاكتئاب؟ دراسة جديدة تستكشف دور الذكاء الاصطناعي في الكشف المبكر

أتعرف ذلك الشعور بالثقل الذي يجعلك تفضل البقاء في الظل، وتجنب اللقاءات الاجتماعية، وتجد صعوبة في الاستمتاع بالأشياء التي كانت تبهجك؟ هذا الشعور، الذي يصفه الكثيرون، قد يكون بداية رحلة مع الاكتئاب. ولكن ماذا لو كان بإمكاننا اكتشاف هذه البدايات مبكرًا، ليس من خلال زيارات طويلة ومكلفة للأطباء النفسيين، بل من خلال تحليل بسيط لما نشاركه على وسائل التواصل الاجتماعي؟ هذا السؤال هو جوهر بحث جديد يقدمه الباحث ثامرين س. أ.، ويفتح آفاقًا واعدة في مجال الصحة النفسية الرقمية.

الإطار النظري

علم النفس المعرفي والسلوكي: جذور الفهم

يعتمد هذا البحث على أسس راسخة في علم النفس المعرفي والسلوكي (CBT). فالاكتئاب، من هذا المنظور، ليس مجرد خلل كيميائي في الدماغ، بل هو نمط من الأفكار السلبية والمشاعر المؤلمة والسلوكيات غير الصحية التي تتداخل وتغذي بعضها البعض. تعتبر وسائل التواصل الاجتماعي، في هذا السياق، بمثابة سجل رقمي لهذه الأنماط. فالطريقة التي نختار بها الكلمات، وتكرار بعض المشاعر، وحتى التوقيت الزمني للمشاركات، يمكن أن تعكس حالتنا النفسية. كما أن نظرية التعلق تلعب دورًا هامًا، حيث أن الشعور بالعزلة الاجتماعية، والذي غالبًا ما يتجلى في قلة التفاعل على وسائل التواصل، يمكن أن يكون مؤشرًا على الاكتئاب. الهدف هنا ليس استبدال التشخيص الطبي، بل توفير أداة فحص مبكر تساعد على توجيه الأشخاص الذين قد يحتاجون إلى مساعدة.

التعلم العميق واللغة: بناء الجسور

تعتمد الدراسة على تقنيات التعلم العميق (Deep Learning)، وهي فرع من الذكاء الاصطناعي يحاكي طريقة عمل الدماغ البشري في معالجة المعلومات. تخيل أن الدماغ عبارة عن شبكة معقدة من الخلايا العصبية المتصلة ببعضها البعض. التعلم العميق يحاول بناء شبكات مماثلة، ولكن باستخدام أجهزة الكمبيوتر. هذه الشبكات قادرة على التعرف على الأنماط المعقدة في البيانات، مثل النصوص والصور ومقاطع الفيديو. بالإضافة إلى ذلك، تستخدم الدراسة نماذج لغوية كبيرة (LLMs)، وهي برامج كمبيوتر مدربة على كميات هائلة من النصوص، مما يمكنها من فهم اللغة البشرية وتوليدها. هذه النماذج تعمل كـ “مترجم” بين البيانات الرقمية والمفاهيم النفسية، حيث تساعد على تفسير المشاعر والأفكار التي يتم التعبير عنها على وسائل التواصل الاجتماعي.

المنهجية

جمع البيانات: نافذة على العالم الرقمي

قام الباحث ثامرين س. أ. بجمع بيانات من منصات التواصل الاجتماعي المختلفة، مع التركيز على النصوص التي يشاركها المستخدمون. لم يقتصر البحث على تحليل محتوى المنشورات بشكل مباشر، بل تم التركيز على “هندسة الميزات” (Feature Engineering). وهذا يعني استخلاص معلومات إضافية من البيانات، مثل تحليل المشاعر (Emotional Status) في المنشورات، ليس فقط في الوقت الحالي، بل أيضًا قبل وبعد المنشور بفترة زمنية معينة. هذا يسمح بفهم التغيرات في الحالة العاطفية للمستخدم بمرور الوقت. كما تم استخدام نماذج مختلفة لتمثيل الكلمات (Word Embedding Models)، والتي تحول الكلمات إلى أرقام بحيث يمكن للكمبيوتر فهم معناها وعلاقتها بالكلمات الأخرى.

النماذج التسلسلية وآلية الانتباه: تتبع الأفكار

تم استخدام نماذج تسلسلية (Sequence Models) لتحليل ترتيب المنشورات بمرور الوقت. تخيل أنك تقرأ قصة، فالفهم لا يعتمد فقط على الكلمات الفردية، بل أيضًا على ترتيبها وتسلسلها. النماذج التسلسلية تعمل بنفس الطريقة، حيث تأخذ في الاعتبار ترتيب المنشورات لفهم تطور الحالة العاطفية للمستخدم. بالإضافة إلى ذلك، تم استخدام آلية الانتباه (Attention Mechanism) لتحديد المنشورات الأكثر أهمية في تحديد الحالة العاطفية للمستخدم. هذه الآلية تعمل كـ “بؤرة تركيز” تحدد الأجزاء الأكثر صلة من البيانات.

النماذج اللغوية الكبيرة: ترجمة المشاعر

بعد تحديد المنشورات الأكثر أهمية وتحليل الحالة العاطفية للمستخدم، تم إدخال هذه المعلومات إلى نموذج لغوي كبير (LLM). تم “ضبط” هذا النموذج (Fine-tuning) باستخدام بيانات متعلقة بالصحة النفسية، مما جعله أكثر قدرة على فهم وتفسير المشاعر والأفكار المرتبطة بالاكتئاب. الهدف من ذلك هو أن يكون النموذج قادرًا على شرح العلاقة بين الحالة العاطفية للمستخدم وخصائص الاكتئاب بطريقة سهلة الفهم. على سبيل المثال، قد يفسر النموذج شعورًا متكررًا باليأس بأنه أحد أعراض الاكتئاب الشائعة.

التأثيرات السريرية والعملية

دعم الأطباء النفسيين: أداة مساعدة

هذه الدراسة لا تهدف إلى استبدال الأطباء النفسيين، بل إلى تزويدهم بأداة مساعدة. يمكن استخدام هذه التقنية كـ “فحص أولي” لتحديد الأشخاص الذين قد يحتاجون إلى تقييم نفسي أكثر تفصيلاً. كما يمكن أن تساعد الأطباء النفسيين على فهم حالة مرضاهم بشكل أفضل، من خلال تحليل البيانات الرقمية التي يشاركونها على وسائل التواصل الاجتماعي.

تمكين المرضى: الوعي الذاتي

يمكن أن تساعد هذه التقنية المرضى على فهم حالتهم النفسية بشكل أفضل. من خلال تحليل بياناتهم على وسائل التواصل الاجتماعي، قد يتمكنون من التعرف على الأنماط السلبية في أفكارهم ومشاعرهم، واتخاذ خطوات لمعالجتها. كما يمكن أن تساعدهم على طلب المساعدة في الوقت المناسب.

التوعية العامة: كسر الحواجز

يمكن أن تساهم هذه الدراسة في زيادة الوعي العام حول الاكتئاب وأهمية الصحة النفسية. من خلال إظهار كيف يمكن استخدام التكنولوجيا للكشف المبكر عن الاكتئاب، يمكن أن تساعد على كسر الحواجز الاجتماعية والثقافية التي تمنع الكثير من الناس من طلب المساعدة.

السياق الثقافي العربي

التحديات والفرص في العالم العربي

تطبيق هذه التقنية في العالم العربي يتطلب مراعاة بعض الفروق الثقافية. ففي العديد من المجتمعات العربية، لا يزال هناك وصمة عار مرتبطة بالصحة النفسية، مما يجعل الناس مترددين في التعبير عن مشاعرهم علنًا، حتى على وسائل التواصل الاجتماعي. كما أن اللغة العربية تتميز بتعقيدها وتنوع لهجاتها، مما قد يشكل تحديًا لنماذج اللغة الكبيرة. ومع ذلك، هناك أيضًا فرص كبيرة. ففي العديد من الدول العربية، هناك انتشار واسع لوسائل التواصل الاجتماعي، مما يوفر قاعدة بيانات كبيرة لتحليلها. بالإضافة إلى ذلك، هناك اهتمام متزايد بالصحة النفسية في العالم العربي، مما يخلق بيئة مواتية لتطوير وتطبيق هذه التقنية. يجب أن يتم تطوير نماذج لغوية كبيرة خاصة باللغة العربية، مع مراعاة اللهجات المختلفة والفروق الثقافية. كما يجب أن يتم تصميم واجهات المستخدم بطريقة تراعي القيم الثقافية المحلية.

الخصوصية والأخلاقيات: حماية البيانات

من الضروري أيضًا مراعاة قضايا الخصوصية والأخلاقيات. يجب الحصول على موافقة المستخدمين قبل تحليل بياناتهم على وسائل التواصل الاجتماعي، ويجب حماية هذه البيانات من الوصول غير المصرح به. كما يجب التأكد من أن هذه التقنية لا تستخدم للتمييز ضد الأشخاص الذين يعانون من الاكتئاب.

آفاق مستقبلية وقيود البحث

توسيع نطاق التحليل: الصور والفيديو

يمكن توسيع نطاق هذا البحث ليشمل تحليل الصور ومقاطع الفيديو التي يشاركها المستخدمون على وسائل التواصل الاجتماعي. فالصور ومقاطع الفيديو يمكن أن تحمل معلومات قيمة حول الحالة العاطفية للمستخدم، مثل تعابير الوجه ولغة الجسد. كما يمكن استخدام تقنيات الذكاء الاصطناعي لتحليل هذه المعلومات.

التعاون متعدد التخصصات: التكامل بين التكنولوجيا وعلم النفس

يتطلب تطوير هذه التقنية تعاون

Reference

Thamrin S.A. (2026). Enhancing explainability and performance of the depression detection model on social media utilizing feature engineering and LLMs. Health Information Science and Systems, 14(1), 48-48.

DOI: 10.1007/s13755-026-00446-x