Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/130143
Type of publication: master thesis
Field of Science: Informatika / Informatics (N009)
Author(s): Dainauskas, Laurynas-Linas
Supervisor: Saudargienė, Aušra
Title: Mašininio mokymo metodų panaudojimas psichologiniam distresui įvertinti
Other Title: Prediction of the psychological distress levels using machine learning methods
Extent: 59 p.
Date: 27-May-2021
Keywords: Mašininis mokymas;Machine learning;Depresija;Depression;Nerimas;Anxiety;Klasifikavimas;Classification
Abstract: Psichologinio distreso prognostinis vertinimas naudojant mašininį mokymą yra aktualus atsižvelgiant į pasaulinės COVID-19 pandemijos protrūkį. Šiuo metu stebimas padidėjęs probleminis internetinių technologijų ir internetinių žaidimų vartojimas, skatinantis išaugusį nerimą ir depresiškumą. Šio darbo tikslas yra įvertinti psichologinį distresą – nerimo ir depresiškumo lygį - atsižvelgiant į probleminio interneto naudojimo, interneto žaidimų sutrikimo, impulsyvumo ir gyvenimo kokybės įverčius ir panaudojant mašininio mokymo algoritmus. Darbe buvo apžvelgti psichologinio distreso prognozavimo metodai, mašininio mokymo algoritmai, bei šie algoritmai pritaikyti nerimo ir depresiškumo prognozavimui. Lietuvos universitetų studentų duomenys buvo surinkti panaudojant šiam darbui sukurtą internetinę platformą. Respondentai atsakė į 119 šešių psichologinių diagnostinių klausimynų klausimus. Psichologinio distreso - nerimo ir depresiškumo lygio kategorija buvo prognozuojama panaudojant probleminio interneto naudojimo, interneto žaidimų sutrikimo, impulsyvumo, gyvenimo kokybės įverčius, lyties ir amžiaus kintamuosius bei taikant mašininio mokymo metodus: dirbtinius neuroninius tinklus, atraminių vektorių klasifikatorių, logistinę regresiją, sprendimų medį, naivaus Bayes‘o metodą, k-artimiausių kaimynų klasifikatorių. Mašininio mokymo metodų klasifikavimo tikslumas palygintas ir nustatyta, kad nerimo lygmenį ir depresiškumą tiksliausiai nustatė logistinės regresijos klasifikatorius, kurio pasiektas tikslumas buvo 75,81% klasifikuojant nerimą ir 78,23% depresiškumą.
Prognostic assessment of psychological distress using machine learning is relevant in the context of the global COVID-19 pandemic outbreak. There is currently an increase in the problematic use of online technologies and online games, leading to increased anxiety and depression. The aim of this work is to assess psychological distress - the level of anxiety and depression - based on estimates of problematic Internet use, Internet gaming disorder, impulsivity, and quality of life using machine learning algorithms. The study overviews the methods of psychological distress prediction and machine learning algorithms. These algorithms are applied to predict anxiety and depression. Data of Lithuanian university students were collected using the online platform designed for this work. Respondents answered 119 questions of six psychological diagnostic questionnaires. The category of psychological distress - anxiety and depression - was predicted using gender, age, the estimates of problematic Internet use, Internet gaming disorder, impulsivity, quality of life, variables, and applying the following machine learning methods: artificial neural networks, support vector classifier, logistic regression, decision tree, naive Bayesian method, k-closest neighbor classifier. The accuracy of the classification of the machine learning methods was compared. The level of anxiety and depression was most accurately determined by the logistic regression classifier, which achieved an accuracy of 75.81% in the classification of anxiety and 78.23% in the classification of depression.
Internet: https://hdl.handle.net/20.500.12259/130143
Appears in Collections:2021 m. (IF mag.)

Files in This Item:
Laurynas-Linas_Dainauskas_md.pdf1.77 MBAdobe PDF   Until 2026-07-01View/Open

Show full item record
Export via OAI-PMH Interface in XML Formats
Export to Other Non-XML Formats


CORE Recommender

Page view(s)

3
checked on Jun 6, 2021

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.