แบบจำลองการวิเคราะห์ความเสี่ยงของการเกิดภาวะซึมเศร้าโดยใช้เทคนิคการเรียนรู้ของเครื่องA Depression Risk Analysis Model using Machine Learning Techniques

Abstract

ภาวะโรคซึมเศร้าเป็นหนึ่งในสาเหตุหลักที่ก่อให้เกิดปัญหาการฆ่าตัวตาย โดยผู้ป่วยเป็นโรคซึมเศร้าส่วนใหญ่ไม่ทราบว่า ตนเองเกิดภาวะซึมเศร้าและมักแสดงออกผ่านทางสื่อสังคมออนไลน์ผ่านข้อความหรือรูปภาพ เนื่องจากสื่อสังคมออนไลน์เป็นรูปแบบการสื่อสารผ่านช่องทางที่ไม่ต้องอาศัยการแสดงออกทางสีหน้า นอกจากนี้งานวิจัยที่มีอยู่เน้นไปที่การใช้ข้อความในเครือข่ายสังคมออนไลน์มาวิเคราะห์เพียงอย่างเดียว งานวิจัยนี้จึงนำเสนอแบบจำลองการวิเคราะห์ความเสี่ยงของการเกิดภาวะซึมเศร้าโดยใช้เทคนิคการเรียนรู้ของเครื่อง โดยใช้ข้อมูลจากการทำแบบประเมินภาวะซึมเศร้า 9 คำถาม และจากผู้ใช้งานทวิตเตอร์ จำนวน 405 คน ร่วมกับเทคนิคการเรียนรู้ของเครื่องประกอบด้วย เทคนิคนาอีฟเบย์ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน เทคนิคต้นไม้การตัดสินใจ เทคนิคเพอร์เซ็ปตรอนหลายชั้น และเทคนิคการสุ่มป่าไม้ ผลการทดลองพบว่า แบบจำลองการวิเคราะห์ความเสี่ยงของการเกิดภาวะซึมเศร้าด้วยเทคนิคการสุ่มป่าไม้ให้ค่าประสิทธิภาพโดยรวมสูงที่สุด คือร้อยละ 87.39 ในขณะที่ผลการเปรียบเทียบประสิทธิภาพของแบบจำลองจากการใช้ตัวแปรนำเข้าที่แตกต่างกันพบว่า การใช้คุณลักษณะจากทวิตเตอร์ทั้งประเภทข้อความและรูปภาพให้ค่าประสิทธิภาพโดยรวมสูงที่สุด นอกจากนี้ การหาคุณลักษณะที่สำคัญพบว่า คุณลักษณะที่สำคัญที่สุดในการวิเคราะห์ความเสี่ยงภาวะซึมเศร้า คือ ค่าเฉลี่ยคะแนนความรู้สึกซึ่งเป็นคุณลักษณะของทวิตเตอร์ประเภทข้อความ

Depression is one of the major causes of suicide. Most people with depression are unaware that they have depression and often express themselves on social media through text or images because social media is a form of communication through channels that do not rely on facial expressions. Moreover, the existing research focuses solely on the use of texts in social networks for analysis. This research proposes a depression risk analysis model using machine learning techniques. The model construction applies data from the Patient Health Questionnaire-9 and Twitter data in combination with machine learning techniques. The Twitter data are collected from 405 Twitter users. There are five machine learning techniques explored in this research which are Naïve Bayes, Support Vector Machine, Decision Tree, Multilayer Perceptron, and Random Forest. The experimental results indicated that the depression risk analysis model using a Random Forest technique provided the highest F-measure at 87.39%. While a comparison of the model's performance using different input variables revealed that the use of Twitter attributes, both text and image, achieved the highest F-measure. In addition, the feature finding revealed that the most important feature in the depression risk analysis was the mean sentiment score, which is a Twitter’s text attribute.