ترجمه مقاله سیستم تشخیص استرس برای کاربران شبکه های اجتماعی - نشریه الزویر

ترجمه مقاله سیستم تشخیص استرس برای کاربران شبکه های اجتماعی - نشریه الزویر
قیمت خرید این محصول
۸۲,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
سیستم تشخیص استرس برای کاربران شبکه های اجتماعی
عنوان انگلیسی
Stress detection system for social media users
صفحات مقاله فارسی
17
صفحات مقاله انگلیسی
10
سال انتشار
2023
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع نگارش
مقالات پژوهشی (تحقیقاتی)
نوع ارائه مقاله
ژورنال
ایمپکت فاکتور(IF) مجله
2.562 در سال 2022
شاخص H_index مجله
109 در سال 2023
شاخص SJR مجله
0.507 در سال 2022
شناسه ISSN مجله
1877-0509
کد محصول
13644
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
تایپ شده است ✓
ضمیمه
ندارد ☓
بیس
است ✓
مدل مفهومی
دارد ✓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
فرضیه
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
روانشناسی - مهندسی کامپیوتر - فناوری اطلاعات
مجله
Procedia Computer Science
کلمات کلیدی
یادگیری ماشینی - تشخیص استرس - رسانه اجتماعی - پردازش زبان طبیعی
کلمات کلیدی انگلیسی
Machine Learning - Stress Detection - Social Media - Natural Language Processing
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.procs.2022.12.183
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
2. تحقیقات مرتبط
3. موضوعات و روش ها
4. نتیجه و بحث
5. نتیجه گیری
منابع
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
       
فایل پاورپوینت این مقاله
در کنار ترجمه مقاله، فایل پاورپوینت این مقاله نیز ایجاد شده و در این محصول قرار داده شده است که پس از خریداری به همراه ترجمه قابل دانلود خواهد بود. تعداد اسلایدهای این پاورپوینت 18 می باشد و آماده ارائه در دانشگاه یا سایر سمینارها است.
فایل خلاصه ترجمه
در صورتی که نیاز به خلاصه ای از متن ترجمه این مقاله دارید، می توانید از فایل خلاصه ترجمه استفاده نمایید که به این محصول اضافه شده است. خلاصه ترجمه این مقاله در 7 صفحه در فایل word انجام شده و داخل بسته قرار گرفته است.
نمونه چکیده ترجمه متن فارسی
چکیده
تشخیص استرس یک موضوع در حال رشد در زمینه پردازش زبان طبیعی است. به منظور پیش بینی سلامت ذهنی برای بهره بردن از توسعه سیستم های توصیه و ارزیابی های خودکار سلامت ذهنی در تحقیقات قبلی، مطالعه تشخیص استرس اثبات شده است. علاوه بر این، کاربرد گسترده رسانه اجتماعی بعنوان یک منبع داده احتمالی برای توسعه چنین مدل هایی بکار گرفته شده است. تحقیق ما تلاش کرده است تا تشخیص دهد که آیا کاربران رسانه های اجتماعی تحت استرس بودند یا خیر. ما از یک مجموعه داده از Dreaddit شامل پست های یک پلتفرم رسانه اجتماعی محبوب Reddit استفاده کردیم. ما یک مدل یادگیری ماشینی شامل ماشین بردار پشتیبان (SVM)، ناوی بیز، درخت تصمیم، جنگل تصادفی، Bag of Words، و فراوانی اصطلاح- فراوانی سند معکوس (TF-IDF) برای تشخیص استرس را پیشنهاد می کنیم. ارزیابی نهایی مدل امتیاز 80.00% F-1 و درستی 75.00% را نتیجه داد، و هر دو توسط SVM امتیاز داده شدند.
2. تحقیقات مرتبط
چندین تحقیق تلاش کردند تا از طریق یادگیری ماشینی و با روش های مختلف استرس را تشخیص دهند. یک تحقیق از موسسه ملی فناوری سوراتکل در هند با استفاده از مجموعه داده WESAD بین افراد دارای استرس و افراد بدون استرس براساس داده های موجود تمایز قائل می شود. نتایج این تحقیق از KNN (شبکه K-نزدیکترین)، DT (درخت تصمیم)، AB (AdaBoost)، و SVM استفاده کرد که به درستی 81.65% تا 93.20% دست یافت [8]. تحقیق دیگری که از مجموعه داده WESA استفاده می کند، از موسسه ملی فناوری در هند است که هدف آن تشخیص استرس در یک فرد است. روش های استفاده شده، KNN (شبکه K-نزدیکریتن)، LDA (تحلیل تشخیص خطی)، RF (جنگل تصادفی)، AB، و SVM هستند که به ترتیب امتیاز F1 محاسبه شده 83.34% و 65.73% را ایجاد می کنند [9].
تحقیق دیگری در موسسه فناوری اطلاعات جیپی در هند انجام شد که از یک مجموعه داده شامل 206 دانش آموز بعنوان یک نمونه آزمایشی استفاده می کند. این تحقیق با استفاده از LR (رگرسیون لجستیکی)، ناوی بیز، جنگل تصادفی، و SVM و با استفاده مشخص از روشی با نام اعتبارسنجی 10 برابری متقابل (شیوه ای که در آن روش برازش های ده برابری انجام می شود و از 90% داده های مجموعه داده بعنوان آموزش استفاده می کند) با استفاده از SVM امتیاز 85.71% را بدست آورد.

بدون دیدگاه