افزايش مشͺلات سلامت روان در سطح جهانͬ نيازمند راەحل هاي نوآورانه، از جمله عامل هاي گفتاري
روان شناسͬ است. اين عامل ها كه بر اساس اصول روان شناسͬ مدرن طراحͬ شدەاند، به شناسايي استرس
روانͬ و افسردگͬ از طريق تعاملات كاربران در شبͺەهاي اجتماعͬ كمͷ مͬ كنند. اين پايان نامه به ارزيابي
اثربخشͬ چنين عامل هايي در تشخيص افسردگͬ با استفاده از پردازش زبان هاي طبيعͬ و يادگيري ماشين براي
تشخيص بەموقع بيماري مͬ پردازد..
در اين پروژه، دادەهاي كاربران از شبͺه اجتماعͬ X و تعاملات آن ها با عامل گفتاري، تحليل شده است تا
علائم شناسايي و راهنمايي هاي مناسب ارائه شود. مدل هايي مانند large-roberta-xlm و ParsBERT بر روي
دادەهاي فارسͬ آموزش داده شدند تا پاسخ هاي دقيق و مرتبط با شرايط كاربر توليد شود. فرآيند كاري عامل
شامل تشخيص استرس، توليد پاسخ هاي غيرمنفͬ و هدايت مͺالمات بەسوي كمͷ به كاربر است. اثربخشͬ
عامل با استفاده از معيارهاي روان شناختͬ (-9PHQ (و محاسباتͬ score1-F، دقت وارزيابي شد.
كليدواژه ها
چت بات , چتبات , روانشناسي , هوش مصنوعي , پردازش زبان هاي طبيعي , عامل گفتاري , روان شناسي , nlp , AI , Psychological , chatbot
