هوش مصنوعی و یادگیری ماشین در شخصی سازی تشخیص و درمان اختلالات روانی مبتنی بر داده های سایبری

افزایش شیوع اختلالات روانی و محدودیت های دسترسی به خدمات سلامت روان، نیاز به راهکارهای نوین و مبتنی بر فناوری را برای تشخیص و درمان موثرتر این اختلالات ضروری ساخته است. هوش مصنوعی و یادگیری ماشین، با تحلیل داده های سایبری، پتانسیل شناسایی و شخصی سازی درمان اختلالات روانی مانند افسردگی و اضطراب را به شکل بهینه فراهم می کنند. هدف این پژوهش، بررسی اثربخشی مدل های یادگیری ماشین در شناسایی اختلالات روانی و ارائه مدلی برای استفاده از داده های رفتاری سایبری در بهبود سلامت روان می باشد. این پژوهش از نوع پیمایشی و تحلیلی بوده و نمونه ای متشکل از کاربران شبکه های اجتماعی به طور تصادفی و چندمرحله ای انتخاب شدند. ابزار گردآوری داده ها شامل مدل های شبکه عصبی عمیق و ماشین بردار پشتیبان بود که دقت آنها در پیش بینی اختلالات روانی و شخصی سازی درمان ها ارزیابی شد. در تحلیل داده ها، رعایت اصول اخلاقی از جمله ناشناس سازی و حفاظت از داده های شخصی کاربران در نظر گرفته شد. نتایج پژوهش نشان داد که مدل های هوش مصنوعی با دقتی بین ۸۵٪ تا ۹۰٪ قادر به پیش بینی اختلالات روانی بوده و شخصی سازی درمان ها در این روش به کاهش ۶۵٪ در علائم مرتبط منجر شد. یافته ها موید نقش موثر هوش مصنوعی در بهبود سلامت روان و اهمیت کاربرد آن به عنوان ابزاری مکمل و مبتنی بر داده های سایبری در مراکز درمانی است.

Keywords:

بهداشت روان دیجیتال , تحلیل داده های رفتاری , شبکه های عصبی عمیق , شخصی سازی درمان , داده کاوی سایبری