Перегляд за Автор "Ovcharuk , Oleksandr"
Зараз показуємо 1 - 2 з 2
Результатів на сторінці
Налаштування сортування
Документ Метод використання нейромережі гібридної архітектури для визначення емоційної тональності текстових повідомлень(Хмельницький національний університет, 2025) Юрченко, Дмитро; Овчарук , Олександр; Мазурець, Олександр; Шевчук, Павло; Yurchenko, Dmytro; Ovcharuk , Oleksandr; Mazurets, Oleksandr; Shevchuk, PavloУ статті розглянуто поточний стан наукового напряму визначення емоційної тональності та представлено метод використання нейромережі гібридної архітектури для визначення емоційної тональності текстових повідомлень. Метод використання нейромережі гібридної архітектури для визначення емоційної тональності текстових повідомлень призначений для автоматизованого перетворення вхідних даних у вигляді навченої нейромережевої модель гібридної архітектури з токенізатором та текстового повідомлення для аналізу у вихідні дані у вигляді класу приналежності за емоційною тональністю та її числової оцінки. Метод оснований на застосуванні гібридної нейромережевої архітектури що поєднує CNN та BiLSTM. Запропоноване поєднання сприяє ефективному виділенню локальних патернів, за рахунок властивостей CNN-шару, а також дозволяє враховувати довгострокові залежності у тексті, за рахунок властивостей BiLSTM. Нейромережева модель починається з шару Embedding, який перетворює текстові дані у числові вектори фіксованої довжини. Далі застосовується шар, який випадковим чином «відключає» 20% нейронів для зменшення ризику перенавчання. Потім іде шар, що застосовує згортки для виявлення локальних шаблонів у вхідних даних. Наступним є двонаправлений шар LSTM, здатний враховувати контекст з обох кінців послідовності, з механізмами випадкового відключення нейронів для покращення узагальнення. Після цього йде шар, який вибирає максимальні значення з усіх ознак для зменшення розмірності. Останнім етапом є щільний шар з одним нейроном і сигмоїдною активацією, який видає ймовірність належності тексту до класу з позитивною тональністю. Наведено експериментальне дослідження ефективності застосування методу використання нейромережі гібридної архітектури для визначення емоційної тональності текстових повідомлень за створеним програмним забезпеченням. Встановлено, що використання зазначеної гібридної архітектури дозволяє досягти точності 0.974, що є вищою від наразі відомих аналогів на понад 0.07 для метрики Accuracy.Документ Нейромережевий метод діагностування психологічних розладів за аналізом повідомлень на основі роздільного підходу до класифікації(Хмельницький національний університет, 2025) Овчарук , Олександр; Мазурець, Олександр; Ovcharuk , Oleksandr; Mazurets, OleksandrУ статті розглядається використання нейромережевих методів для діагностування психологічних розладів через аналіз повідомлень у соціальних мережах. Дослідження показує, що застосування NLP-технологій та глибоких нейронних мереж для автоматизованої оцінки психоемоційного стану осіб здатне значно підвищити точність діагностики, а також забезпечити масштабованість та інноваційність у сфері охорони здоров'я. Використання таких технологій також відповідає глобальним цілям сталого розвитку, зокрема у покращенні психічного здоров'я, розвитку цифрової інфраструктури та зменшенні нерівності в доступі до медичних послуг. Запропонований метод заснований на роздільному підході до класифікації різних психологічних розладів, що підвищує точність та надійність діагностики. Кожен психологічний розлад аналізується окремо, що дозволяє уникнути взаємного впливу при класифікації. Процес діагностики включає три основні етапи: токенізацію текстів за допомогою відповідних токенізаторів, обробку токенів за допомогою нейромережевих моделей, які навчалися з нуля на спеціалізованих текстових наборах, та формування висновків щодо ймовірності наявності кожного з розладів. Для навчання моделей використовували два відкриті набори даних. Експериментальні результати показали високу ефективність запропонованої методики: значення точності (Accuracy) варіюються в межах 0.81–0.90, а показники Precision, Recall та F1-score досягають 0.91, що свідчить про високу точність класифікації та здатність до диференціації психологічних станів. Запропонований метод демонструє кращі результати порівняно з існуючими аналогами та має великий потенціал для використання в автоматизованому виявленні психічних розладів. Подальші дослідження можуть бути спрямовані на вдосконалення стійкості моделей до мовних варіацій та розширення діагностованих станів.