پنجشنبه 19 شهریور 1405
| English
1- دکتری تخصصی روانشناسی، دانشکده علوم انسانی، دانشگاه تربیت مدرس، تهران، ایران ، farzinbagheri73@gmail.com
2- دانشجوی کارشناسی ارشد، گروه روانشناسی، دانشگاه میلان-بیکوکا، میلان، ایتالیا.
3- کارشناسی ارشد، گروه روانشناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، واحد اردبیل، اردبیل، ایران
4- کارشناسی ارشد، گروه روانشناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، واحد ساری، ساری، ایران
5- کارشناسی ارشد، گروه روانشناسی اسلامی مثبت گرا، دانشگاه پیام نور، واحد بهشهر، بهشهر، ایران.
2- دانشجوی کارشناسی ارشد، گروه روانشناسی، دانشگاه میلان-بیکوکا، میلان، ایتالیا.
3- کارشناسی ارشد، گروه روانشناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، واحد اردبیل، اردبیل، ایران
4- کارشناسی ارشد، گروه روانشناسی بالینی، دانشکده علوم انسانی، دانشگاه آزاد اسلامی، واحد ساری، ساری، ایران
5- کارشناسی ارشد، گروه روانشناسی اسلامی مثبت گرا، دانشگاه پیام نور، واحد بهشهر، بهشهر، ایران.
چکیده: (65 مشاهده)
اهداف: با توجه به رشد روزافزون استفاده از دادههای دیجیتال و ابزارهای محاسباتی در حوزه سلامت روان، ضرورت مرور شواهد موجود در زمینه بهرهگیری از فناوریهای نوین بیش از پیش احساس میشود. پژوهش مروری حاضر با هدف بررسی تحول در شناسایی و پیشگیری از خطر خودکشی با استفاده از هوش مصنوعی و الگوریتمهای یادگیری ماشین انجام شد.
مواد و روشها: از طریق مطالعه مروری نظاممند، کلیه مقالات منتخب بر اساس کلمات کلیدی مرتبط در پایگاههای اطلاعاتی گوگل اسکالر، پابمد، پروکوئست، امبیس، سایکاینفو، وب آو ساینس، سیناهل و اسکوپوس در بازه زمانی ژانویه 2014 تا سپتامبر ۲۰۲۵ توسط نویسندگان پژوهش جمعآوری و ارزیابی شدند. در مجموع، 751 مقاله منتشرشده به زبان انگلیسی مطابق با معیارهای ورود مشخص و با استفاده از چکلیست استاندارد ارزیابی کیفیت، بر اساس راهنمای PRISMA گزارشدهی شدند. پس از انجام ارزیابی کیفی جامع، 25 مقاله منتخب که از بالاترین کیفیت برخوردار بودند، مورد مطالعه قرار گرفتند.
یافتهها: دادههای مورد استفاده شامل پیامهای متنی، شبکههای اجتماعی، سوابق بالینی الکترونیک و یادداشتهای روانپزشکی بود و حجم نمونهها از چند صد تا میلیونها رکورد متغیر بود. پژوهشها از الگوریتمهای یادگیری ماشین و یادگیری عمیق شامل رگرسیون لجستیک، رندوم فارست، درخت تصمیم، XGBoost و شبکههای عصبی عمیق بهره بردند و دقت پیشبینی از ۶۵ تا بیش از ۹۵ درصد گزارش شد. عوامل پرخطر شامل اختلالات روانپزشکی، افسردگی، روش اقدام، وضعیت تأهل، تحصیلات پایین، بیکاری و انزوای اجتماعی بود و بهترین عملکرد مربوط به جنگل تصادفی و شبکههای عصبی عمیق بود.
نتیجهگیری: هوش مصنوعی و الگوریتمهای یادگیری ماشین توانستند الگوهای پیچیده خطر خودکشی را در دادههای بالینی و شبکههای اجتماعی شناسایی کرده و پیشبینی زودهنگام را ممکن سازند. الگوریتمهای جنگل تصادفی و شبکههای عصبی عمیق بالاترین دقت را ارائه کردند و ابزارهای عملی برای طراحی مداخلات پیشگیرانه فراهم کردند.
مواد و روشها: از طریق مطالعه مروری نظاممند، کلیه مقالات منتخب بر اساس کلمات کلیدی مرتبط در پایگاههای اطلاعاتی گوگل اسکالر، پابمد، پروکوئست، امبیس، سایکاینفو، وب آو ساینس، سیناهل و اسکوپوس در بازه زمانی ژانویه 2014 تا سپتامبر ۲۰۲۵ توسط نویسندگان پژوهش جمعآوری و ارزیابی شدند. در مجموع، 751 مقاله منتشرشده به زبان انگلیسی مطابق با معیارهای ورود مشخص و با استفاده از چکلیست استاندارد ارزیابی کیفیت، بر اساس راهنمای PRISMA گزارشدهی شدند. پس از انجام ارزیابی کیفی جامع، 25 مقاله منتخب که از بالاترین کیفیت برخوردار بودند، مورد مطالعه قرار گرفتند.
یافتهها: دادههای مورد استفاده شامل پیامهای متنی، شبکههای اجتماعی، سوابق بالینی الکترونیک و یادداشتهای روانپزشکی بود و حجم نمونهها از چند صد تا میلیونها رکورد متغیر بود. پژوهشها از الگوریتمهای یادگیری ماشین و یادگیری عمیق شامل رگرسیون لجستیک، رندوم فارست، درخت تصمیم، XGBoost و شبکههای عصبی عمیق بهره بردند و دقت پیشبینی از ۶۵ تا بیش از ۹۵ درصد گزارش شد. عوامل پرخطر شامل اختلالات روانپزشکی، افسردگی، روش اقدام، وضعیت تأهل، تحصیلات پایین، بیکاری و انزوای اجتماعی بود و بهترین عملکرد مربوط به جنگل تصادفی و شبکههای عصبی عمیق بود.
نتیجهگیری: هوش مصنوعی و الگوریتمهای یادگیری ماشین توانستند الگوهای پیچیده خطر خودکشی را در دادههای بالینی و شبکههای اجتماعی شناسایی کرده و پیشبینی زودهنگام را ممکن سازند. الگوریتمهای جنگل تصادفی و شبکههای عصبی عمیق بالاترین دقت را ارائه کردند و ابزارهای عملی برای طراحی مداخلات پیشگیرانه فراهم کردند.
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
تماس با ما
مجله روانپزشکی و روانشناسی بالینی ایران
تهران، دانشگاه علوم پزشکی و خدمات درمانی ایران
تلفن دانشگاه : 02166506899
تلفن ناشر : 02145355000 - 02145355555
وبسایت: http://ijpcp.iums.ac.ir
ایمیل: ijpcp@iums.ac.ir
