DOI: https://doi.org/10.48084/etasr.15214
تاريخ النشر: 2026-02-09
المؤلف: K Alakananda. وآخرون
الموضوع الرئيسي: الصحة النفسية من خلال الكتابة
نظرة عامة
تقدم هذه الورقة البحثية إطارًا متعدد اللغات مصممًا لتحليل منشورات وسائل التواصل الاجتماعي في لغات هندية إقليمية مختلفة، بما في ذلك التاميل، والتيلجو، والكانادا، والمالايالامية، والإنجليزية، للكشف المبكر عن الضغوط النفسية. يستخدم الإطار تقنيات متقدمة في معالجة اللغة الطبيعية والتعلم العميق، مع الاستفادة بشكل خاص من نماذج المحولات جنبًا إلى جنب مع ميزات المعجم النفسي، لتحديد علامات اضطرابات الصحة النفسية مثل الاكتئاب والقلق والتوتر بشكل فعال. تدعم مجموعة بيانات عالية الجودة، تم وضع علامات عليها بواسطة خبراء الصحة النفسية، تدريب النموذج، بينما تعالج خط أنابيب المعالجة المسبقة القوي تعقيدات النصوص متعددة اللغات والمختلطة والمكتوبة بحروف لاتينية لضمان جودة بيانات متسقة.
تشير نتائج التقييم إلى أن النموذج الهجين المقترح يتفوق على طرق تحليل المشاعر التقليدية، محققًا دقة أعلى في الكشف عن مؤشرات الصحة النفسية المختلفة. تُظهر هذه العمل إمكانية مراقبة الصحة النفسية القابلة للتوسع عبر المشهد اللغوي المتنوع في الهند من خلال التقاط الإشارات العاطفية واللغوية الدقيقة في محتوى وسائل التواصل الاجتماعي. تشمل اتجاهات البحث المستقبلية توسيع تغطية اللغات، وتعزيز قابلية تفسير النموذج من خلال الذكاء الاصطناعي القابل للتفسير، وتطوير تطبيقات في الوقت الحقيقي لدعم المهنيين في مجال الصحة النفسية في جهود الكشف المبكر والتدخل.
مقدمة
تسلط المقدمة الضوء على القضية الملحة للصحة العامة العالمية المتعلقة باضطرابات الصحة النفسية، بما في ذلك الاكتئاب والقلق والتوتر، والتي تؤثر بشكل كبير على الاستقرار العاطفي والرفاه الاجتماعي. تواجه طرق التشخيص التقليدية، مثل المقابلات السريرية واستبيانات التقرير الذاتي، قيودًا، خاصة في المناطق التي تعاني من نقص الموارد حيث تسود الوصمة وتكاليف العلاج المرتفعة. في المقابل، ظهرت وسائل التواصل الاجتماعي كمصدر بيانات قيم، حيث تقدم رؤى مستمرة وفي الوقت الحقيقي حول الحالات النفسية للأفراد، مما يوفر فرصًا للكشف المبكر والتدخل في الرعاية الصحية النفسية.
على الرغم من الاعتراف المتزايد بإمكانات وسائل التواصل الاجتماعي في المراقبة الرقمية للصحة النفسية، تركز الأبحاث الحالية بشكل أساسي على بيانات اللغة الإنجليزية، مما لا يلبي احتياجات السياقات متعددة اللغات. توضح الهند، بمشهدها اللغوي المتنوع—بما في ذلك لغات مثل الهندية، والتاميل، والبنغالية—ضرورة وجود حلول صحية رقمية شاملة. إن التعبير الفريد عن الضغوط النفسية في نصوص مختلفة وأنماط المزج اللغوي يطرح تحديات لتطبيق النماذج التي تركز على الغرب، مما يبرز خطر عدم التوافق الثقافي والاستبعاد اللغوي الذي قد يزيد من الفجوة الرقمية في مراقبة الصحة النفسية.
الطرق
تتناول المنهجية المقترحة التحديات الكبيرة في الكشف عن الصحة النفسية متعددة اللغات من وسائل التواصل الاجتماعي، مع التركيز بشكل خاص على قضايا مثل نقص البيانات المعلّمة، وتعقيد اللغة، والفروق الثقافية، والشفافية، وقابلية التوسع. لتقييم فعالية الطريقة، أجرى المؤلفون تجارب باستخدام TensorFlow 2.15 وPyTorch 2.3، مع ضمان إمكانية التكرار من خلال استخدام بذور عشوائية ثابتة. تم حساب مقاييس الأداء لكل نموذج كمتوسط عبر ثلاث تجارب مستقلة لتخفيف آثار تباين التدريب، مما يوفر تقييمًا قويًا لقدرات النماذج.
النتائج
يوفر قسم النتائج تحققًا تجريبيًا من نموذج LSTM-Transformer الهجين المصمم للكشف عن الصحة النفسية متعددة اللغات في منشورات وسائل التواصل الاجتماعي الهندية. تشير النتائج إلى أن هذا النموذج يتفوق باستمرار على المعايير المعمول بها، بما في ذلك طرق التعلم الآلي التقليدية والهياكل المتقدمة للتعلم العميق. من الجدير بالذكر أن النموذج المقترح يظهر قوة في معالجة المحتوى المختلط والمكتوب بحروف لاتينية، مما يبرز فعاليته في سياق لغوي متنوع.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الفجوات الكبيرة في المشهد الحالي لمعالجة اللغة الطبيعية (NLP) ومعلومات الصحة النفسية، خاصة في سياق التنوع اللغوي والثقافي في الهند. تشمل التحديات الرئيسية نقص مجموعات البيانات المعلّمة عالية الجودة، والصعوبات في المعالجة المسبقة بسبب الكتابة بحروف لاتينية والمزج اللغوي، وإهمال العبارات المحلية التي تؤثر على حساسية النموذج. كما تم الإشارة إلى الاعتبارات الأخلاقية المتعلقة بالخصوصية والموافقة على أنها غير مستكشفة بشكل كافٍ، مما يبرز الحاجة إلى أطر تسهل المراقبة متعددة اللغات في الوقت الحقيقي والقابلة للتوسع للصحة العامة.
تهدف الأهداف الموضحة في الدراسة إلى معالجة هذه الفجوات من خلال تطوير خط أنابيب NLP متعدد اللغات يستوعب النصوص الأصلية والمحتوى المختلط من خلال بنية هجينة من LSTM-Transformer. تهدف الأبحاث إلى توسيع نطاق الكشف عن الصحة النفسية من الاكتئاب ليشمل القلق والتوتر، مع استخدام بروتوكولات وضع علامات موجهة من الخبراء لضمان الصلاحية الثقافية. علاوة على ذلك، تم تصميم النظام المقترح ليكون قابلًا للتوسع وفي الوقت الحقيقي، مما يوفر دعمًا أساسيًا للأطباء وصانعي السياسات مع الالتزام بالضوابط الأخلاقية.
تؤكد مراجعة الأدبيات على التكامل السريع لوسائل التواصل الاجتماعي في أبحاث الصحة النفسية، مما يكشف عن الإمكانية للكشف المبكر والتدخل في السكان ذوي التنوع اللغوي. تجمع الدراسة بين النتائج من مصادر مختلفة، مما يظهر فعالية نماذج التعلم الآلي في الكشف عن إشارات الصحة النفسية عبر لغات متعددة ويبرز ضرورة وجود نهج سياقي ثقافي. يُظهر النموذج الهجين المقترح، الذي يجمع بين التحليل التسلسلي والسياقي، أداءً متفوقًا في الكشف عن مؤشرات الصحة النفسية، مما يعزز أهمية تطوير أنظمة ذكاء اصطناعي قوية وواعية ثقافيًا لمراقبة الصحة النفسية في الهند.
DOI: https://doi.org/10.48084/etasr.15214
Publication Date: 2026-02-09
Author(s): K Alakananda. et al.
Primary Topic: Mental Health via Writing
Overview
This research paper presents a multilingual framework designed to analyze social media posts in various regional Indian languages, including Tamil, Telugu, Kannada, Malayalam, and English, for the early detection of psychological distress. The framework employs advanced natural language processing and deep learning techniques, particularly leveraging Transformer models alongside psychological lexicon features, to effectively identify signs of mental health disorders such as depression, anxiety, and stress. A high-quality dataset, annotated by mental health experts, underpins the model training, while a robust preprocessing pipeline addresses the complexities of multilingual, codemixed, and transliterated text to ensure consistent data quality.
The evaluation results indicate that the proposed hybrid model outperforms traditional sentiment analysis methods, achieving superior accuracy in detecting various mental health indicators. This work demonstrates the potential for scalable mental health monitoring across India’s diverse linguistic landscape by capturing nuanced emotional and linguistic signals in social media content. Future research directions include expanding language coverage, enhancing model interpretability through explainable AI, and developing real-time applications to support mental health professionals in early detection and intervention efforts.
Introduction
The introduction highlights the pressing global public health issue of mental health disorders, including depression, anxiety, and stress, which significantly impact emotional stability and social well-being. Traditional diagnostic methods, such as clinical interviews and self-report questionnaires, face limitations, especially in resource-constrained regions where stigma and high treatment costs prevail. In contrast, social media has emerged as a valuable data source, offering continuous and real-time insights into individuals’ psychological states, thus presenting opportunities for early detection and intervention in mental healthcare.
Despite the growing recognition of social media’s potential for digital surveillance in mental health, existing research predominantly focuses on English-language data, which inadequately addresses the needs of multilingual contexts. India, with its diverse linguistic landscape—including languages such as Hindi, Tamil, and Bengali—illustrates the necessity for inclusive digital health solutions. The unique expression of psychological distress in various scripts and code-mixing patterns poses challenges for the application of Western-centric models, highlighting the risk of cultural misalignment and linguistic exclusion that may exacerbate the digital divide in mental health monitoring.
Methods
The proposed methodology addresses significant challenges in multilingual mental health detection from social media, specifically focusing on issues such as limited annotated data, linguistic complexity, cultural nuances, transparency, and scalability. To evaluate the effectiveness of the method, the authors conducted experiments using TensorFlow 2.15 and PyTorch 2.3, ensuring reproducibility by employing fixed random seeds. The performance metrics of each model were averaged over three independent runs to mitigate the effects of training variance, thereby providing a robust assessment of the models’ capabilities.
Results
The results section provides an empirical validation of the hybrid LSTM-Transformer model designed for multilingual mental health detection in Indian social media posts. The findings indicate that this model consistently outperforms established baselines, including traditional machine learning methods and advanced deep learning architectures. Notably, the proposed model exhibits robustness in processing code-mixed and transliterated content, underscoring its effectiveness in a linguistically diverse context.
Discussion
The discussion section of the research paper highlights significant gaps in the current landscape of natural language processing (NLP) and mental health informatics, particularly in the context of India’s linguistic and cultural diversity. Key challenges include the scarcity of high-quality annotated datasets, difficulties with preprocessing due to transliteration and code-mixing, and the neglect of localized idioms that affect model sensitivity. Ethical considerations surrounding privacy and consent are also noted as underexplored, emphasizing the need for frameworks that facilitate real-time, scalable multilingual surveillance for public health.
The objectives outlined in the study aim to address these gaps by developing a multilingual NLP pipeline that accommodates native scripts and code-mixed content through a hybrid LSTM-Transformer architecture. The research intends to expand the scope of mental health detection from depression to include anxiety and stress, employing expert-guided annotation protocols to ensure cultural validity. Furthermore, the proposed system is designed to be scalable and real-time, providing essential support for clinicians and policymakers while adhering to ethical safeguards.
The literature review underscores the rapid integration of social media into mental health research, revealing the potential for early detection and intervention in linguistically diverse populations. The study synthesizes findings from various sources, demonstrating the effectiveness of machine learning models in detecting mental health signals across multiple languages and highlighting the necessity for culturally contextualized approaches. The proposed hybrid model, which combines sequential and contextual analysis, shows superior performance in detecting mental health indicators, thereby reinforcing the importance of developing robust, culturally aware AI systems for mental health monitoring in India.