Key points are not available for this paper at this time.
La croissance explosive de la popularité des réseaux sociaux entraîne une utilisation problématique. Un nombre croissant de troubles mentaux liés aux réseaux sociaux (TMRS), tels que l'addiction aux relations en ligne, la surcharge d'information et la compulsion en ligne, a été récemment constaté. Les symptômes de ces troubles mentaux sont généralement observés passivement aujourd'hui, entraînant un retard dans l'intervention clinique. Dans cet article, nous soutenons que l'exploration du comportement social en ligne offre une opportunité d'identifier activement les TMRS à un stade précoce. Il est difficile de détecter les TMRS car l'état mental ne peut pas être observé directement à partir des journaux d'activité sociale en ligne. Notre approche, nouvelle et innovante dans la pratique de la détection des TMRS, ne repose pas sur la révélation de ces facteurs mentaux via des questionnaires en psychologie. Au lieu de cela, nous proposons un cadre d'apprentissage automatique, à savoir la Détection des Troubles Mentaux liés aux Réseaux Sociaux (TMRS), qui exploite des caractéristiques extraites des données des réseaux sociaux pour identifier avec précision les cas potentiels de TMRS. Nous exploitons également l'apprentissage multi-sources dans TMRS et proposons un nouveau Modèle Tensoriel basé sur les TMRS (MTT) pour améliorer la précision. Pour augmenter l'évolutivité du MTT, nous améliorons encore l'efficacité avec une garantie de performance. Notre cadre est évalué via une étude utilisateur avec 3 126 utilisateurs de réseaux sociaux en ligne. Nous effectuons une analyse des caractéristiques et appliquons également TMRS sur des ensembles de données à grande échelle et analysons les caractéristiques des trois types de TMRS. Les résultats montrent que TMRS est prometteur pour identifier les utilisateurs de réseaux sociaux en ligne présentant des TMRS potentiels.
Shuai et al. (Mon,) ont étudié cette question.