Detailansicht
Leveraging natural language processing (NLP) for mental health
a comparative study of sentiment analysis models
Berna Franko
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Business Analytics
Betreuer*in
Werner Winiwarter
DOI
10.25365/thesis.80261
URN
urn:nbn:at:at-ubw:1-27691.39817.715110-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das ist eine deutsche Kurzfassung meiner in Englisch verfassten Masterarbeit. Die Verarbeitung natürlicher Sprache (NLP) bietet vielversprechende Ansätze für die Bewertung der psychischen Gesundheit durch die Analyse linguistischer Merkmale in sozialen Medien. Diese Studie vergleicht Modelle zur Sentiment-Analyse, einschließlich traditioneller maschineller Lernalgorithmen (logistische Regression, SVM, Random Forest) und fortschrittlicher Deep-Learning-Modelle (LSTM, BERT), um ihre Wirksamkeit bei der Klassifizierung psychischer Gesundheitszustände wie Depression, Angst und Stress zu bestimmen. Unter Verwendung eines umfassenden Datensatzes von Plattformen wie Reddit und Twitter bewertet diese Arbeit die Modellleistung anhand von Genauigkeit, Präzision und Recall, wobei ethische Aspekte des Datenschutzes berücksichtigt werden. Die Ergebnisse unterstreichen das Potenzial der Sentiment-Analyse für die Früherkennung und kontinuierliche Überwachung psychischer Gesundheit und sprechen für die Integration in personalisierte Interventionen und öffentliche Gesundheitsstrategien. Herausforderungen umfassen die Vielfalt der Daten und ethische Überlegungen, die Verbesserungen der Modellrobustheit und der Anwendungsprotokolle erfordern. Diese Studie hebt die Bedeutung der Nutzung von NLP für zeitnahe Interventionen im Bereich psychischer Gesundheit hervor und trägt zu verbesserter diagnostischer Genauigkeit und zu unterstützenden Versorgungssystemen bei.
Abstract
(Englisch)
Natural Language Processing (NLP) offers promising avenues for mental health assessment by analyzing linguistic features in social media texts. This study compares sentiment analysis models, including traditional machine learning algorithms (Logistic Regression, SVM, Random Forest) and advanced deep learning models (LSTM, BERT), to determine their efficacy in classifying mental health conditions such as depression, anxiety, and stress. Utilizing a comprehensive dataset from platforms like Reddit and Twitter, the research assesses model performance based on accuracy, precision, and recall, while addressing ethical concerns associated with privacy. The findings highlight the potential of sentiment analysis for early detection and continuous monitoring of mental health, advocating for its integration into personalized interventions and public health strategies. Challenges include data diversity and ethical considerations, necessitating improvements in model robustness and application protocols. This study underscores the importance of leveraging NLP for timely mental health interventions, contributing to enhanced diagnostic accuracy and support systems.
Schlagwörter
Schlagwörter
(Deutsch)
NLP Sentiment-Analyse psychische Gesundheit Depression Angststörung Stress Maschinelles Lernen Deep Learning Soziale Medien Genauigkeit Präzision Recall Früherkennung
Schlagwörter
(Englisch)
NLP Sentiment Analysis Mental Health Depression Anxiety Stress Machine Learning Deep Learning Social Media Accuracy Precision Recall Early Detection
Autor*innen
Berna Franko
Haupttitel (Englisch)
Leveraging natural language processing (NLP) for mental health
Hauptuntertitel (Englisch)
a comparative study of sentiment analysis models
Publikationsjahr
2025
Umfangsangabe
vi, 114 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Werner Winiwarter
Klassifikation
54 Informatik > 54.00 Informatik. Allgemeines
AC Nummer
AC17773454
Utheses ID
78966
Studienkennzahl
UA | 066 | 977 | |