000			07136namaa22004211i 4500
003			OSt
005			20250807112043.0
008			250623s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a006.31
092			_a006.31 _221
097			_aM.Sc
099			_aCai01.18.07.M.Sc.2024.Ra.M
100	0		_aRadwa Nazmy Abdelsamea Nassar, _epreparation.
245	1	0	_aMachine learning-based approach to predict symptoms of depression in people using twitter / _cby Radwa Nazmy Abdelsamea Nassar ; Supervised Prof. Nagy Ramdan, Dr. AbdelMoneim Helmy.
246	1	5	_aنهج قائم على التعلم الآلي للتنبؤ بأعراض الإكتئاب لدى الأشخاص بإستخدام منصة تويتر
264		0	_c2024.
300			_a147 leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 132-147.
520		3	_aSince depression frequently leads to suicidal thoughts and leaves a person severely incapacitated daily, mental health issues resulting from depression increase the chance of premature mortality. As such, the mental disease of the patient must be determined as soon as feasible. Social media platforms are rich sources of early depression identification since people are using them more and more to broadcast daily activities and voice their thoughts. Arabic and English are two extensively utilized languages for exchanging content on social media platforms. First, at the level of the Arabic language, the ability to predict depression in the Arabic text is relatively limited. Determining depression in Arabic material is difficult due to the language's grammatical structure, the wide variety of dialects, and the scarcity of available Arabic depression corpus. Thus, it should be mentioned that, in contrast to other languages, the number of studies on depression prediction in Arabic has grown slowly. Second, at the level of English language deficiencies, there is a lack of published English depression corpora, and data balancing needs to be considered. This thesis makes several significant contributions. First, this thesis introduced a manually labeled corpus of 10000 Arabic tweets and an automatically annotated corpus of 57391 English tweets. Both corpora contained a variety of melancholy and joyful phrases in addition to neutral tweets and negation terms considered. Second, it uses Twitter tweets to provide five machine-learning models for depression prediction in both English and Arabic. Regarding (depressed and non-depressed) classification, the optimal model for Arabic tweets had an f1-score of 96.6%. The ideal model obtained 87% for binary classification and 85% for classes (happy, indifferent, and depressed) classification for English corpus. Lastly, this thesis introduces a depression-prediction online application that employs the most effective models to identify tweets containing symptoms of depression and forecast depression trends for a user of either Arabic or English.
520		3	_aنظرًا لأن الاكتئاب يؤدي غالبًا إلى أفكار انتحارية ويترك الشخص عاجزًا بشكل كبير يوميًا، فإن مشاكل الصحة العقلية الناتجة عن الاكتئاب تزيد من فرصة الوفاة المبكرة. وعلى هذا النحو، يجب تحديد المرض النفسي اوالعقلي للمريض في أقرب وقت ممكن. تعد منصات التواصل الاجتماعي مصادر غنية للتعرف المبكر على الاكتئاب حيث يستخدمها الناس بشكل متزايد لبث الأنشطة اليومية والتعبير عن أفكارهم. العربية والإنجليزية لغتان مستخدمتان على نطاق واسع لتبادل المحتوى على منصات التواصل الاجتماعي. أولاً، على مستوى اللغة العربية، فإن القدرة على اكتشاف الاكتئاب في النص العربي محدودة نسبيًا. إن تحديد الاكتئاب في البيانات العربية أمر صعب بسبب البنية النحوية للغة، والتنوع الواسع في اللهجات، وندرة بيانات الاكتئاب بالعربية. وبالتالي، يجب أن نذكر أنه على النقيض من اللغات الأخرى، فإن عدد الدراسات حول التنبؤ بالاكتئاب في اللغة العربية قد نما ببطء. ثانيًا، على مستوى أوجه القصور في اللغة الإنجليزية، هناك نقص في مجموعات الاكتئاب الإنجليزية المنشورة، ويجب مراعاة موازنة البيانات. تقدم هذه الأطروحة العديد من المساهمات المهمة. أولاً، توفر تغريدات تويتر للإستخدام مع خمسة نماذج للتعلم الآلي لتشخيص الاكتئاب باللغتين الإنجليزية والعربية. فيما يتعلق بالتصنيف (المكتئب وغير المكتئب)، كان للنموذج الأمثل للتغريدات العربية درجة f1 بنسبة 96.6٪. حصل النموذج المثالي على 87٪ للتصنيف الثنائي و85٪ للتصنيف المتعدد (السعيد واللامبالي والمكتئب) للتغريدات الإنجليزية. ثانيًا، قدمت هذه الأطروحة مجموعة تتكون من 10000 تغريدة عربية من تويتر مُعلَّمة يدويًا ومجموعة تتكون من 57391 تغريدة إنجليزية إلكترونية. احتوى كلا المجموعتين على مجموعة متنوعة من العبارات الحزينة والمبهجة بالإضافة إلى التغريدات المحايدة ومصطلحات النفي المدروسة. أخيرًا، تقدم هذه الأطروحة تطبيقًا عبر الإنترنت للتنبؤ بالاكتئاب يستخدم النماذج الأكثر فعالية لتحديد التغريدات التي تحتوي على أعراض الاكتئاب والتنبؤ باتجاهات الاكتئاب لمستخدمي اللغة العربية أو الإنجليزية.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aMachine Learning
653		1	_aDepression prediction _aAnxiety _aSuicide _aMachine learning _atext mining _aSentiment analysis
700	0		_aNagy Ramdan _ethesis advisor.
700	0		_aAbdelMoneim Helmy _ethesis advisor.
900			_b01-01-2024 _cNagy Ramdan _cAbdelMoneim Helmy _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Information Systems & Technology
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c172710