TEXT-BASED DEPRESSION DETECTION ON SOCIAL MEDIA USING DEEP LEARNING

Abstract

Social media has become an increasingly influential platform for emotional expression, particularly during the COVID-19 pandemic, which has restricted physical mobility and fueled a surge in internet usage. However, depression is a growing mental health concern, and social media can be a breeding ground for suicidal ideation. Furthermore, Individuals experiencing depression frequently communicate their emotional state through social media posts. The potential to detect depression markers within these messages could offer valuable insights into their emotional well-being, paving the way for the provision of appropriate support. This study aimed to develop a method for depression detection in Thai social media text using three neural network algorithms: BiLSTM, Thai-BERT, and WangchanBERTa with three Thai word tokenizer techniques: Newmm, Attacut, and BPE. The performance of these algorithms were evaluated using a dataset of 3,100 Thai text messages which were scraped from Twitter and labeled by psychologists. WangchanBERTa with the Newmm tokenizer achieved the best performance, with an F1-score of 74.2%, Recall of 74.2%, Precision of 74.7%, and Accuracy of 74.2%. These results suggest that neural network algorithms can be effectively used to detect depression in Thai social media text, and that the choice of tokenizer can significantly impact performance.

สื่อสังคมออนไลน์ได้กลายเป็นแพลตฟอร์มที่มีอิทธิพลต่อการแสดงออกทางอารมณ์เพิ่มมากขึ้นในปัจจุบัน โดยเฉพาะอย่างยิ่งในช่วงการแพร่ระบาดของโควิด-19 ที่มีจำกัดการไปมาหาสู่กันและกระตุ้นทำให้มีการใช้งานอินเทอร์เน็ตเพิ่มมากขึ้น ในขณะเดียวกัน โรคซึมเศร้าเป็นปัญหาด้านสุขภาพจิตที่มีเพิ่มมากขึ้นและสื่อสังคมออนไลน์สามารถเป็นสิ่งเร้าที่นำไปสู่ความคิดฆ่าตัวตายได้ นอกจากนี้ ผู้ที่มีภาวะซึมเศร้ามักจะใช้สื่อสังคมออนไลน์ในการแสดงออกทางอารมณ์ของตนเอง หากสามารถตรวจจับภาวะซึมเศร้าได้จากข้อความบนสื่อสังคมออนไลน์เหล่านี้ได้ อาจช่วยให้เข้าใจสภาวะทางอารมณ์ของผู้ที่มีภาวะซึมเศร้าได้อย่างลึกซึ้ง ซึ่งจะนำไปสู่การให้การช่วยเหลือที่เหมาะสม งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาวิธีการตรวจจับภาวะซึมเศร้าจากข้อความภาษาไทยบนสื่อสังคมออนไลน์โดยการใช้อัลกอริทึมโครงข่ายประสาทเทียม 3 วิธีการ ดังนี้ 1. Bidirectional long short-term memory (BiLSTM) 2. Thai Bidirectional Encoder Representations from Transformers (Thai-BERT) 3. WangchanBERTa กับเทคนิคการประมวลผลภาษาธรรมชาติ ผู้วิจัยประเมินประสิทธิภาพของอัลกอริทึมเหล่านี้โดยการใช้ชุดข้อมูลทวิตเตอร์ที่เป็นข้อความภาษาไทยจำนวน 3,100 ข้อความ และระบุประเภทโดยนักจิตวิทยา ซึ่งอัลกอริทึม WangchanBERTa ที่ใช้เทคนิคการตัดคำด้วย Newmm ให้ประสิทธิภาพที่ดีที่สุด ให้ค่า F1-score เท่ากับ 74.2% Recall เท่ากับ 74.2% Precision เท่ากับ 74.7% และ Accuracy เท่ากับ 74.2% จากผลลัพธ์พบว่าอัลกอริทึมโครงข่ายประสาทเทียมมีประสิทธิภาพในการตรวจจับภาวะซึมเศร้าจากข้อความภาษาไทยบนสื่อสังคมออนไลน์ได้และการเลือกเทคนิคการในตัดคำสามารถส่งผลกระทบอย่างมีนัยสำคัญต่อประสิทธิภาพของอัลกอริทึม นอกจากนี้ ผู้วิจัยได้มีการวิเคราะห์ชุดข้อมูลและข้อจำกัดที่อาจส่งผลกระทบต่อประสิทธิภาพของโมเดล