ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ВИЯВЛЕННЯ СУЇЦИДАЛЬНИХ І ДЕПРЕСИВНИХ НАМІРІВ У СОЦІАЛЬНИХ МЕРЕЖАХ НА ОСНОВІ LOGISTIC REGRESSION, MULTINOMIAL NAIVE BAYES, LINEAR SVM ТА CNN

Анотація

Розглянуто актуальну проблему розробки та впровадження автоматизованих систем для моніторингу ментального здоров’я користувачів у цифровому середовищі. З огляду на стрімке зростання випадків депресивних розладів та намірів суїциду, що фіксується Всесвітньою організацією охорони здоров’я, виникає нагальна потреба у створенні інструментів раннього виявлення психологічних ризиків на основі аналізу текстового контенту соціальних мереж та месенджерів. Особлива увага в роботі приділена специфіці українського контексту в умовах соціальної нестабільності, де ресурси медичних установ є обмеженими. Метою дослідження є розробка інтелектуальної інформаційно-аналітичної платформи MindGuard, яка дозволяє здійснювати глибокий аналіз текстів для виявлення ознак депресії, тривожності та суїцидальної поведінки. Для досягнення цієї мети сформовано та розмічено масштабний навчальний корпус, що включає понад 340 000 прикладів повідомлень із платформи Reddit, розподілених за категоріями: «non-psycho» (тексти без ознак розладів), «depression» (депресивні стани) та «suicide» (суїцидальні наміри). У межах дослідження реалізовано та порівняно декілька підходів до класифікації текстів: класичні алгоритми машинного навчання (Logistic Regression, Multinomial Naive Bayes, Linear SVM) з використанням статистичного зважування TF-IDF, а також методи глибинного навчання, зокрема архітектуру TextCNN із застосуванням попередньо навчених ембеддингів GloVe. Результати експериментальної оцінки показали, що модель CNN забезпечує найкращий баланс між точністю та обчислювальною ефективністю. Досягнуті показники F1-score становлять 0,92 для класу «non-psycho», 0,74 для «depression» та 0,76 для «suicide». Високі значення метрики ROC AUC (0,910...0,990) підтверджують здатність системи ефективно ранжувати тексти за ступенем ризику. Проведено детальний аналіз матриць неточностей, який виявив лексичну близькість між категоріями депресії та суїцидальних думок, що зумовлює основні складнощі в диференціації проміжних станів. Практична реалізація платформи включає розробку REST API на базі FastAPI та клієнтської частини на React. Тестування продуктивності підтвердило високу швидкодію системи: середня затримка (latency) становить близько 15 мс на запит, що дозволяє обробляти до 66 текстів на секунду на одному CPU-потоці. Це відкриває можливості для інтеграції MindGuard у роботу модераторських команд соціальних мереж, психологічних служб та освітніх закладів для автоматизації первинного скринінгу та своєчасного прийняття превентивних заходів. Наукова новизна роботи полягає у створенні гібридної архітектури, адаптованої до локального контексту, що забезпечує високу точність виявлення психологічно ризикованих повідомлень у реальному часі.