DOI: https://doi.org/10.18421/tem151-44
تاريخ النشر: 2026-02-27
المؤلف: Silvia Rostianingsih وآخرون
الموضوع الرئيسي: الصحة النفسية من خلال الكتابة
نظرة عامة
تركز البحث على تطوير أداة تعلم آلي لاكتشاف الأفكار الانتحارية في التغريدات الإندونيسية، وتصنيفها إلى أفكار انتحارية أو دعوات صريحة للانتحار. تم تقييم عشرة خوارزميات، بما في ذلك آلة الدعم الناقل (SVM) والانحدار اللوجستي (LR) والغابات العشوائية، باستخدام بحث الشبكة من أجل التحسين. كشفت النتائج أن SVM وLR حققا دقة ملحوظة بنسبة 90%، بينما وصلت الغابات العشوائية وخوارزميات أخرى إلى 89%. في إعداد التصنيف الثنائي، حقق التكوين الأول (S1) أعلى أداء، حيث حقق SVM وLR دقة بنسبة 93%.
تؤكد الدراسة على فعالية نماذج التعلم الآلي في تحديد المحتوى المتعلق بالانتحار على وسائل التواصل الاجتماعي، وهو أمر حيوي للتدخلات في الصحة النفسية. على الرغم من النجاح في اكتشاف التعبيرات الصريحة عن الأفكار الانتحارية، تسلط البحث الضوء على التحديات في التعرف على المؤشرات الأكثر دقة أو الضمنية للضيق، والتي تعزى إلى تعقيدات اللغة البشرية. أدى الضبط المنهجي للخوارزميات من خلال GridSearchCV والتحقق المتقاطع 10-fold إلى تحسين الدقة بنسبة 1-7%. يُوصى بإجراء أبحاث مستقبلية لتضمين تقنيات معالجة اللغة الطبيعية المتقدمة، مثل التضمينات السياقية وهياكل المحولات، لتحسين اكتشاف التعبيرات الانتحارية الدقيقة.
مقدمة
تسلط المقدمة الضوء على القضية العالمية الحرجة للانتحار، مع أكثر من 700,000 حالة وفاة سنويًا، وتلاحظ أن إندونيسيا لديها معدل مُبلغ عنه قدره 3.4 لكل 100,000 شخص. تؤكد على أن معدلات الانتحار الفعلية قد تكون مُبلغ عنها بشكل ناقص بسبب ضعف جودة البيانات وسوء التعامل مع الحالات. يحدد النص العوامل الرئيسية التي تسهم في السلوك الانتحاري، مثل الاكتئاب، والضغط البيئي، والخسارة الشخصية، مع الاعتراف أيضًا بالمخاطر التي يواجهها من تُركوا وراءهم. يتم التأكيد على دور وسائل التواصل الاجتماعي كمنصة حيث يعبر الأفراد عن صراعاتهم العاطفية، مما يجعلها أداة قيمة لاكتشاف الميل الانتحاري.
يهدف البحث إلى الاستفادة من تقنيات التعلم الآلي والتعلم العميق لتحليل التغريدات باللغة الإندونيسية المتعلقة بالانتحار والاكتئاب. سيتم تصنيف التغريدات إلى ثلاث فئات: 0 (لا توجد ميول انتحارية)، 1 (ميول انتحارية)، و2 (تشجيع صريح على الانتحار). ستستخدم الدراسة خوارزميات متنوعة، بما في ذلك آلة الدعم الناقل (SVM) ونايف بايز (NB) وتمثيلات الترميز ثنائية الاتجاه من المحولات (BERT)، من بين آخرين، لتدريب النماذج على مجموعة بيانات نظيفة. سيتم استخدام مقاييس الأداء مثل الدقة، والدقة، والاسترجاع، ودرجات F1 لتقييم فعالية هذه النماذج. تشير المقدمة أيضًا إلى دراسات سابقة نجحت في تطبيق منهجيات مماثلة، مما يظهر إمكانيات التعلم الآلي في تحديد الأفراد المعرضين لخطر الأفكار الانتحارية.
طرق
ت outlines منهجية هذه الدراسة نهجًا منهجيًا لتحليل مجموعة بيانات تويتر المصنفة بالفئات 0 و1 و2. في البداية، يتم تحميل مجموعة البيانات باستخدام مكتبة pandas، تليها مرحلة تنظيف البيانات والمعالجة المسبقة لإزالة الضوضاء والعناصر غير ذات الصلة. بعد ذلك، يتم تحويل بيانات النص إلى تمثيلات متجهية من خلال تقنيتين للتوجيه: تكرار المصطلح – تكرار الوثيقة العكسية (TF-IDF) وموجه العد.
تشمل المرحلة التالية ضبط النموذج باستخدام GridSearch لعدة نماذج مرشحة، بما في ذلك آلة الدعم الناقل (SVM) ونايف بايز (NB) والانحدار اللوجستي (LR) وشجرة القرار (DT) والغابات العشوائية (RF) وأقرب الجيران (KNN) والبيرسيبترون متعدد الطبقات (MLP) وأدا بوست (AB) وتعزيز التدرج (GB). يهدف هذا الضبط إلى تحديد أفضل تركيبات المعلمات لكل نموذج. يتم تقييم أداء هذه النماذج المضبوطة بناءً على مقاييس مثل الدقة، والدقة، والاسترجاع، ودرجة F1، مع اختيار النموذج الأفضل أداءً للتكامل في واجهة المستخدم الرسومية.
نتائج
يقدم قسم النتائج نظرة عامة منظمة على النتائج التجريبية، وأداء النموذج، وتأثيرات ظروف الاختبار المختلفة في الإعدادات الثنائية. يبدأ بوصف مفصل لخصائص مجموعة البيانات والتصنيف، والتي تشكل الأساس للتحليلات التي تم إجراؤها. يتم تقييم أداء نماذج التعلم الآلي المطورة باستخدام مقاييس قياسية، مما يكشف عن فعاليتها في تحديد الأفكار الانتحارية.
بالإضافة إلى ذلك، يتم تقييم قوة الخوارزميات من خلال الاختبار عبر أربعة إعدادات ثنائية متميزة، مما يعزز فهم قابليتها للتكيف وحدودها في سياقات مختلفة. تتضمن أيضًا تحليلًا مقارنًا لأساليب التصنيف متعددة الفئات مقابل التصنيف الثنائي، مع التأكيد على آثار كل استراتيجية على دقة الكشف وprecision للأفكار الانتحارية ضمن البيانات النصية. تؤكد هذه التقييم الشامل على قدرات النماذج وأهمية الخيارات المنهجية في سياق الكشف عن الصحة النفسية.
مناقشة
في هذه الدراسة، استكشف المؤلفون فعالية نماذج التعلم الآلي المختلفة، مع التركيز بشكل خاص على اكتشاف الأفكار الانتحارية في التغريدات المكتوبة باللغة الإندونيسية. باستخدام مجموعة بيانات من 10,000 تغريدة تم جمعها من خلال مكتبة Twint، نفذ المؤلفون نهج التحقق المتقاطع 10-fold لتقييم أداء النموذج، مما يضمن مقاييس تقييم قوية مثل الدقة، والدقة، والاسترجاع، ودرجة F1. تضمنت النماذج المختبرة آلة الدعم الناقل (SVM) والانحدار اللوجستي (LR) وغيرها، حيث حقق SVM وLR أعلى دقة بنسبة 90% في التصنيف متعدد الفئات. من الجدير بالذكر أن الدراسة سلطت الضوء على التحديات في اكتشاف الأفكار الانتحارية المعبر عنها بشكل دقيق، مما يبرز قيود الأساليب الحالية المعتمدة على الميزات في التقاط اللغة الدقيقة.
علاوة على ذلك، فحصت البحث أربعة إعدادات تصنيف ثنائي، مما يكشف أن إعادة تصنيف التغريدات التي تشجع على الانتحار على أنها لا تحتوي على نية انتحارية (الإعداد 1) حققت أفضل مقاييس أداء، حيث حقق كل من SVM وLR دقة بنسبة 93%. يشير هذا إلى أن فعالية النموذج تتحسن عندما تكون مجموعة البيانات غير متوازنة لصالح الفئة الغالبة. تؤكد النتائج على أهمية تقنيات معالجة اللغة الطبيعية المتقدمة، مثل التضمينات السياقية وهياكل المحولات، للعمل المستقبلي، حيث قد تحسن هذه الأساليب اكتشاف التعبيرات الانتحارية الضمنية، والتي لا تزال تمثل تحديًا كبيرًا في هذا المجال.
DOI: https://doi.org/10.18421/tem151-44
Publication Date: 2026-02-27
Author(s): Silvia Rostianingsih et al.
Primary Topic: Mental Health via Writing
Overview
The research focuses on developing a machine learning tool to detect suicidal ideation in Indonesian tweets, categorizing them into suicidal ideation or explicit invitations to suicide. A total of ten algorithms, including Support Vector Machine (SVM), Logistic Regression (LR), and Random Forest, were evaluated using Grid search for optimization. The findings revealed that SVM and LR achieved a notable accuracy of 90%, while Random Forest and other algorithms reached 89%. In a binary classification setting, the first configuration (S1) yielded the highest performance, with SVM and LR achieving 93% accuracy.
The study underscores the effectiveness of machine learning models in identifying suicide-related content on social media, which is vital for mental health interventions. Despite the success in detecting explicit expressions of suicidal thoughts, the research highlights challenges in recognizing more subtle or implicit indications of distress, attributed to the complexities of human language. The systematic tuning of algorithms through GridSearchCV and 10-fold Cross-Validation enhanced accuracy by 1-7%. Future research is recommended to incorporate advanced Natural Language Processing techniques, such as contextual embeddings and transformer architectures, to improve the detection of nuanced suicidal expressions.
Introduction
The introduction highlights the critical global issue of suicide, with over 700,000 deaths annually, and notes that Indonesia has a reported rate of 3.4 per 100,000 people. It emphasizes that actual suicide rates may be underreported due to poor data quality and inadequate case handling. The text identifies key factors contributing to suicidal behavior, such as depression, environmental stress, and personal loss, while also acknowledging the risk faced by those left behind. The role of social media is underscored as a platform where individuals express their emotional struggles, making it a valuable tool for detecting suicidal tendencies.
The research aims to leverage machine learning and deep learning techniques to analyze Indonesian-language tweets related to suicide and depression. Tweets will be categorized into three classes: 0 (no suicidal tendencies), 1 (suicidal tendencies), and 2 (explicit encouragement for suicide). The study will employ various algorithms, including Support Vector Machine (SVM), Naïve Bayes (NB), and Bidirectional Encoder Representations from Transformers (BERT), among others, to train models on a cleaned dataset. Performance metrics such as accuracy, precision, recall, and F1 scores will be utilized to evaluate the effectiveness of these models. The introduction also references previous studies that have successfully applied similar methodologies, demonstrating the potential of machine learning in identifying individuals at risk of suicidal ideation.
Methods
The methodology of this study outlines a systematic approach to analyzing a Twitter dataset labeled with categories 0, 1, and 2. Initially, the dataset is loaded using the pandas library, followed by a data cleaning and preprocessing phase to eliminate noise and irrelevant elements. Subsequently, the text data is transformed into vector representations through two vectorization techniques: Term Frequency-Inverse Document Frequency (TF-IDF) and Count Vectorizer.
The next phase involves model tuning using GridSearch for several candidate models, including Support Vector Machine (SVM), Naive Bayes (NB), Logistic Regression (LR), Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP), AdaBoost (AB), and Gradient Boosting (GB). This tuning process aims to identify the optimal parameter combinations for each model. The performance of these tuned models is then evaluated based on metrics such as accuracy, precision, recall, and F1 score, with the best-performing model selected for integration into a Graphical User Interface.
Results
The results section presents a structured overview of the experimental findings, model performance, and the effects of various testing conditions in binary settings. It begins with a detailed description of the dataset characteristics and labeling, which serves as the foundation for the analyses conducted. The performance of the developed machine learning models is evaluated using standard metrics, revealing their effectiveness in identifying suicide ideation.
Additionally, the robustness of the algorithms is assessed through testing across four distinct binary settings, which enhances the understanding of their adaptability and limitations in varying contexts. A comparative analysis of multiclass versus binary-class classification approaches is also included, emphasizing the implications of each strategy on the detection accuracy and precision of suicide ideation within the textual data. This comprehensive evaluation underscores the models’ capabilities and the importance of methodological choices in the context of mental health detection.
Discussion
In this study, the authors explored the efficacy of various machine learning models, specifically focusing on the detection of suicidal ideation in tweets written in Indonesian. Utilizing a dataset of 10,000 tweets collected through the Twint library, the authors implemented a 10-fold cross-validation approach to assess model performance, ensuring robust evaluation metrics such as accuracy, precision, recall, and F1-score. The models tested included Support Vector Machine (SVM), Logistic Regression (LR), and others, with SVM and LR achieving the highest accuracy of 90% in multi-class classification. Notably, the study highlighted the challenges of detecting subtly expressed suicidal thoughts, emphasizing the limitations of current feature-based approaches in capturing nuanced language.
The research further examined four binary classification settings, revealing that reclassifying tweets that encourage suicide as having no suicidal intent (Setting 1) yielded the best performance metrics, with SVM and LR both achieving an accuracy of 93%. This suggests that the model’s effectiveness is enhanced when the dataset is imbalanced in favor of the majority class. The findings underscore the importance of sophisticated Natural Language Processing techniques, such as contextual embeddings and transformer architectures, for future work, as these methods may improve the detection of implicit suicidal expressions, which remain a significant challenge in the field.