Şimal-Şərq Universitetinin kompüter elmləri məzunlarının apardığı araşdırmaya görə, sosial mediada depressiyanı aşkar etmək üçün istifadə edilən süni intellekt modelləri çox vaxt qərəzli və metodoloji cəhətdən qüsurlu olur.

Yuchen Cao və Xiaorui Shen , xüsusilə COVID-19 pandemiyasından sonra psixi sağlamlıq tədqiqatlarında maşın öyrənməsi və dərin öyrənmə modellərinin necə istifadə edildiyini araşdırmağa başlayanda Şimal-Şərqi Seattle şəhərciyində aspirant idilər.

Bir neçə universitetdən olan həmyaşıdları ilə birləşərək, sosial media istifadəçiləri arasında depressiyanı aşkar etmək üçün süni intellektdən istifadə edərək akademik sənədlərin sistematik nəzərdən keçirilməsini həyata keçirdilər. Onların tapıntıları Journal of Behavioral Data Science jurnalında dərc olunub .

Hazırda Meta-da proqram mühəndisi olan Cao deyir: “Biz maşın öyrənməsi və ya AI və ya dərin öyrənmə modellərinin bu sahədə tədqiqat üçün necə istifadə edildiyini görmək istəyirdik ”.

Twitter, Facebook və Reddit kimi sosial media platformaları tədqiqatçılara emosiyaları, düşüncələri və psixi sağlamlıq nümunələrini ortaya qoyan istifadəçi tərəfindən yaradılan bir çox məzmun təklif edir. Bu anlayışlar depressiya əlamətlərini aşkar etmək üçün süni intellekt alətlərini öyrətmək üçün getdikcə daha çox istifadə olunur. Lakin Şimal-Şərqi rəhbərlik etdiyi araşdırma, əsas modellərin bir çoxunun qeyri-adekvat şəkildə tənzimləndiyini və real dünya tətbiqi üçün lazım olan sərtliyin olmadığını müəyyən etdi.

Komanda yüzlərlə məqaləni təhlil etdi və PubMed, IEEE Xplore və Google Scholar kimi verilənlər bazalarından 2010-cu ildən sonra dərc edilmiş 47 müvafiq araşdırmanı seçdi. Onların süni intellekt metodlarının texniki etibarlılığı ilə bağlı narahatlıqları artıran, kompüter elmləri deyil, tibb və ya psixologiya üzrə mütəxəssislər tərəfindən yazılmış bu tədqiqatların bir çoxunun müəllifləri tapdılar.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=280&slotname=2793866484&adk=2520359048&adf=1100001614&pi=t.ma~as.2793866484&w=750&abgtt=6&fwrn=4&fwrnh=0&lmt=1751868776&rafmt=1&armr=3&format=750×280&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-07-key-biases-ai-depression-social.html&fwr=0&rpe=1&resp_fmts=3&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTM4LjAuNzIwNC45NyIsbnVsbCwwLG51bGwsIjY0IixbWyJOb3QpQTtCcmFuZCIsIjguMC4wLjAiXSxbIkNocm9taXVtIiwiMTM4LjAuNzIwNC45NyJdLFsiR29vZ2xlIENocm9tZSIsIjEzOC4wLjcyMDQuOTciXV0sMF0.&dt=1751868776715&bpp=1&bdt=100&idt=62&shv=r20250630&mjsv=m202507010101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1751868524%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1751868524%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3D878d521b85743f4c%3AT%3D1751526237%3ART%3D1751868524%3AS%3DAA-AfjZCLruwaFzoQORvGPwXS3Y2&prev_fmts=0x0&nras=1&correlator=8431058791240&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=448&ady=1774&biw=1905&bih=945&scr_x=0&scr_y=0&eid=95353386%2C95362656%2C95365226%2C95365234%2C95365112%2C95359266%2C95365116%2C95365797%2C95360684&oid=2&pvsid=1394213161603339&tmod=1918084381&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=228

“Məqsədimiz mövcud maşın öyrənmə modellərinin etibarlı olub-olmadığını araşdırmaq idi” deyir Shen, həm də hazırda Meta-da proqram mühəndisi. “İstifadə olunan bəzi modellərin düzgün tənzimlənmədiyini aşkar etdik.”

Support Vector Machines, Decision Trees, Random Forests, Extreme Gradient Boosting və Logistic Regression kimi ənənəvi modellər adətən istifadə olunurdu. Bəzi tədqiqatlarda Convolutional Neyron Networks, Long Short Term Memory şəbəkələri və məşhur dil modeli olan BERT kimi dərin öyrənmə vasitələrindən istifadə edilmişdir.

Bununla belə, araşdırma bir neçə mühüm problemi üzə çıxardı:

• Tədqiqatların yalnız 28%-i hiperparametrləri, modellərin məlumatlardan necə öyrəndiyini istiqamətləndirən parametrləri adekvat şəkildə düzəldib.
• Təxminən 17%-i məlumatları təlim, yoxlama və test dəstlərinə düzgün bölməyib, həddindən artıq uyğunlaşma riskini artırıb.
• Nəticələri təhrif edə və azlıq sinfini gözdən qaçıra bilən balanssız məlumat dəstlərinə baxmayaraq, bir çoxları yeganə performans göstəricisi kimi dəqiqliyə etibar edirdilər – bu halda istifadəçilər depressiya əlamətləri göstərirdi.

Cao deyir: “Bütün kompüter alimlərinin bildiyi bəzi sabitlər və ya əsas standartlar var, “A-dan əvvəl, B-ni etməlisən” kimi, bu sizə yaxşı nəticə verəcək”. “Ancaq bu, bu sahədən kənarda hamının bildiyi bir şey deyil və bu, pis nəticələrə və ya qeyri-dəqiqliyə səbəb ola bilər.”

Tədqiqatlar həmçinin diqqətəlayiq məlumat qərəzlərini nümayiş etdirdi. X (əvvəllər Twitter) ən çox istifadə edilən platforma idi (32 araşdırma), ondan sonra Reddit (8) və Facebook (7) idi. Yalnız səkkiz tədqiqat bir neçə platformanın məlumatlarını birləşdirdi və təxminən 90% ingilisdilli yazılara, əsasən də ABŞ və Avropadakı istifadəçilərə istinad etdi.

Müəlliflər iddia edirlər ki, bu məhdudiyyətlər tapıntıların ümumiləşdirilməsini azaldır və sosial media istifadəçilərinin qlobal müxtəlifliyini əks etdirmir .

Digər əsas problem: linqvistik nüans. Tədqiqatların yalnız 23% -i hisslərin təhlili və depressiyanın aşkarlanması üçün vacib olan inkar və sarkazmla necə davrandıqlarını aydın şəkildə izah etdi.

Hesabatın şəffaflığını qiymətləndirmək üçün komanda proqnoz modellərini qiymətləndirmək üçün alət olan PROBAST-dan istifadə edib. Onlar aşkar ediblər ki, bir çox tədqiqatlarda verilənlər toplusunun bölünməsi və hiperparametr parametrləri ilə bağlı əsas təfərrüatlar yoxdur, nəticədə nəticələrin təkrar istehsalı və ya təsdiqlənməsi çətinləşir.

Cao və Shen, modelləri sınamaq və təkmilləşdirmələri tövsiyə etmək üçün real dünya məlumatlarından istifadə edərək təqib sənədlərini dərc etməyi planlaşdırırlar.

Cao deyir ki, bəzən tədqiqatçıların açıq mənbəli modelləri düzgün tənzimləmək üçün kifayət qədər resursları və ya süni intellekt təcrübəsi olmur.

“Beləliklə, viki və ya kağız dərsliyi [yaratmaq] əməkdaşlığa kömək etmək üçün bu sahədə vacib hesab etdiyim bir şeydir” deyir. “Düşünürəm ki, insanlara bunu necə etməyi öyrətmək sizə bunu etməyə kömək etməkdən daha vacibdir, çünki resurslar həmişə məhduddur.”

Komanda öz nəticələrini Vaşinqtonda Beynəlxalq Məlumat Elmi və Analitika Cəmiyyətinin illik toplantısında təqdim edəcək.

Daha çox məlumat: Yuchen Cao et al, Sosial Mediada Depressiyanın Aşkarlanması üçün Maşın Öyrənmə Yanaşmaları: Qərəzlərin və Metodoloji Çağırışların Sistematik İcmalı, Davranış Məlumat Elmi jurnalı (2025). DOI: 10.35566/jbds/caoycNortheastern Universiteti tərəfindən təmin edilmişdir