Sosyal medya metinlerinden depresyon ve intihar söylemlerinin derin öğrenme ve büyük dil modelleriyle tespiti

Sosyal medya platformları, bireylerin duygu ve düşüncelerini metinler aracılığıyla ifade ettikleri yaygın iletişim ortamlarıdır ve bu içerikler ruh sağlığına ilişkin risklerin belirlenmesi açısından önemli veriler sunmaktadır. Küresel ölçekte intihar oranlarının özellikle genç nüfus arasında artış göstermesi, sosyal medya verilerinin erken uyarı sistemlerinde kullanılmasına yönelik araştırmaları ön plana çıkarmaktadır. Bu tez çalışmasının amacı, sosyal medya metinlerinden depresyon ve intihar söylemlerinin tespitinde Derin Öğrenme ve Büyük Dil Modelleri (LLM) tabanlı yaklaşımların etkinliğini incelemektir. Çalışmada, geleneksel öznitelik çıkarımı yöntemleri (TF-IDF), statik kelime temsilleri (GloVe) ve bağlamsal gömme tabanlı LLM yaklaşımları (BERT, RoBERTa) karşılaştırmalı olarak ele alınmıştır. Reddit platformundan elde edilen veri setleri üzerinde Lojistik Regresyon, Destek Vektör Makineleri ve LightGBM gibi klasik makine öğrenmesi algoritmaları ile Evrişimsel Sinir Ağları, Uzun Kısa Süreli Bellek ve Çift Yönlü Uzun Kısa Süreli Bellek mimarileri değerlendirilmiştir. Model çıktılarının yorumlanabilirliğini artırmak amacıyla SHAP ve LIME yöntemlerinden yararlanılmıştır. Elde edilen deneysel sonuçlar, metin temsil yönteminin sınıflandırma başarımı üzerinde belirleyici bir etkiye sahip olduğunu göstermiştir. Bağlamsal öğrenme yeteneğine sahip LLM tabanlı modellerin, statik yöntemlere kıyasla daha yüksek performans sergilediği ve özellikle intihar riski tespitinde %95'e varan duyarlılık (recall) değerlerine ulaştığı belirlenmiştir. Çalışma bulguları, önerilen yaklaşımların ruh sağlığı alanında erken uyarı ve karar destek sistemleri için uygulanabilir bir çözüm sunduğunu ortaya koymaktadır.