Stressdetektion mittels natürlicher Sprachverarbeitung und maschinellem Lernen über soziale Interaktionen

Zusammenfassung Der Cyberspace ist eine riesige Plattform für Menschen, um alles zu posten, was sie in ihrem Alltag beobachten. Inhalte in sozialen Medien werden hauptsächlich für Bewertungen, Meinungen, Einfluss oder Sentimentanalysen verwendet. In diesem Papier zielen wir darauf ab, die Sentiment- und Emotionserkennung zur Erkennung des Stresses einer Person auf der Grundlage der Beiträge und Kommentare zu erweitern, die er/sie auf sozialen Plattformen geteilt hat. Wir nutzen umfangreiche Datensätze mit Tweets, um die Sentimentanalyse mithilfe von maschinellen Lernalgorithmen und einem tiefen Lernmodell, BERT, zur Sentimentklassifizierung durchzuführen. Wir haben auch Latent Dirichlet Allocation angenommen, eine unbeaufsichtigte maschinelle Lernmethode, um eine Gruppe von Dokumenten zu scannen, die Wort- und Phrasenmuster innerhalb dieser zu erkennen und Wortgruppen und ähnliche Ausdrücke zu sammeln, die am genauesten eine Gruppe von Dokumenten veranschaulichen. Dies hilft uns, vorherzusagen, welches Thema mit den Textdaten verknüpft ist. Mit Hilfe dieser Modelle werden wir in der Lage sein, die Emotionen von Nutzern online zu erkennen. Darüber hinaus können diese Emotionen zur Analyse von Stress oder Depressionen verwendet werden. Zusammenfassend haben die ML-Modelle und das BERT-Modell eine sehr gute Erkennungsrate. Diese Forschung ist nützlich für das Wohlbefinden der psychischen Gesundheit einer Person. Die Ergebnisse werden anhand verschiedener Metriken auf makro- und mikroökonomischen Ebenen ausgewertet und zeigen, dass das trainierte Modell den Status der Emotionen basierend auf sozialen Interaktionen erkennt.