سال انتشار: 2022

رشته: مدیریت

گرایش:مدیریت فناوری اطلاعات، سیستم های اطلاعاتی پیشرفته

دانلود رایگان این مقاله:

  دانلود مقاله برنامه ریزی سبلامت روانی 

مشاهده سایر مقالات جدید:

مقالات جدید مدیریت 

مقالات جدید مدیریت فناوری اطلاعات

Related Work

Many strategies of management and plan for undergraduates’ mental health have been proposed. In [11], the authors studied to examine student perspectives about college mental health including the primary mental health issues affecting students, common college student stressors, student awareness of campus mental health resources, and mental health topics students wanted more information about. Little research existed into the trends associated with on-campus service utilization for mental health concerns of college students. Rates of broad service utilization existed, but no published study had examined the direct relationship between a range of common mental health symptoms and on-campus service utilization. In [12], the authors studied to explore which common mental health concerns were associated with specific on-campus service utilization in undergraduate students and whether endorsement of more mental health concerns would predict a higher number of services utilized. In [13], the study investigated the moderating role of perceived social support in the relationship between academic demands (measured as perceived academic stress) and mental health of undergraduate students in full-time employment. A growing number of developing countries had experienced worsening air pollution, which had been shown to cause significant health problems. However, few studies had explored the impact of air pollution on the mental health of university students, particularly in the Chinese context. In order to address this gap, in [14], through a large-scale cross-sectional survey, the study aimed to examine the effects of air pollution on final-year Chinese university undergraduates’ mental health by employing multivariable logistic regression. *e TextRank algorithm plays an important role in keyword extraction. In [15], the author presented an automatic keyword extraction algorithm based primarily on a weighted TextRank model. In the model, word embedding vectors were used to compute a similarity measure as an edge weight. As a typical keyword extraction technology, TextRank had been used in a wide variety of commercial applications, including text classification, information retrieval, and clustering. In these applications, the parameters of TextRank, including the cooccurrence window size, iteration number, and decay factor, were set roughly. In [16], the authors conducted an empirical study on TextRank, towards finding optimal parameter settings for keyword extraction. *e keyword weight propagation in TextRank focused only on word frequency. To improve the performance of the algorithm, in [17], the authors proposed semantic clustering TextRank, a semantic clustering news keyword extraction algorithm based on TextRank. In [18], the authors introduced a new human-annotated Chinese patent dataset and proposed a sentence-ranking-based term frequency-inverse document frequency algorithm for patent keyword extraction, motivated by the thought of “the keywords were in the key sentences.” In the algorithm, a sentence-ranking model was constructed to filter top-K-s percent sentences from each patent based on a sentence semantic graph and heuristic rules. In [19], the authors introduced a word network whose nodes represented words in a document and defined that any keyword extraction method based on a word network was called as a Word-net method. *en, the authors proposed a new network model which considered the influence of sentences and a new word-sentence method based on the new model. In [20], the authors proposed an ontology and enhanced word embedding-based methodology for automatic keyphrase extraction from geoscience documents.

Improved Algorithm Based on Rough DataDeduction

TextRank keyword extraction algorithm is a graph-based ranking algorithm, which is derived from Google’s PageRank algorithm. TextRank firstly divides the target text into several meaningful words and constructs the candidate word graph and then uses the voting mechanism to rank the candidate words to achieve keyword extraction. *e task of keyword extraction is to extract several important words from the target text. TextRank algorithm uses the local correlation between words (i.e., cooccurrence sliding window) to determine the correlation between candidate words and then performs iterative calculation and ranking of candidate keywords. Rough set theory is originally used for text classification to speed up classification and improve accuracy. Rough data-deduction is based on rough set theory, which integrates approximate information from upper approximation concept into data reasoning process. *is paper introduces upper approximation-based rough data-deduction to TextRank keyword extraction algorithm,and the extracted keywords are used in undergraduates’ mental health management and plan. In TextRank keyword extraction algorithm, the candidate keywords in the text are the graph model constructed by the cooccurrence correlation, and then the weights of each node are calculated by the average transition probability matrix for many times until convergence. After convergence, words are ranked in descending order according to their weights, and the first N words are selected as the extracted keywords. *is method is more concise and effective, but it has certain limitations. In the convergent operation utilizes a clustering strategy to group the population into multiple clusters. *e use of cooccurrence window only considers the correlation between local words, so some words closely related to a certain keyword may be ignored, but keywords from a document are not just limited to the keywords around the words. When doing text keyword extraction, I should fully consider the words in the text as well as some potentially related words. Words with potential correlation will have an important impact on the whole iterative ranking process, and the potential relation can be discovered by the theory of rough data-deduction. *erefore, this paper proposes an improved TextRank algorithm based on upper approximation rough data-deduction. Based on the word sense similarity of mental health words, the candidate keywords are divided. As there may be a group of words with similar word sense in a document, the weight of this group of words should be increased to improve the accuracy of extraction results when describing the same important content. TextRank algorithm only considers the word sense themselves and ignores the contribution of words with similar word sense. *erefore, the improved algorithm takes the word sense into account and divides the candidate words by word sense, which can extract keywords more effectively. 

(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)

کارهای مرتبط راهبردهای مدیریتی و برنامه ریزی زیادی برای سلامت روان دانشجویان در مقطع کارشناسی پیشنهاد شده است. در [11]، نویسندگان برای بررسی دیدگاه‌های دانشجو در مورد سلامت روان کالج از جمله مسائل بهداشت روان اولیه مؤثر بر دانشجویان، استرس‌های رایج دانشجویان دانشگاه، آگاهی دانشجو از منابع سلامت روان دانشگاه، و موضوعات سلامت روان که دانشجویان اطلاعات بیشتری در مورد آنها می‌خواستند، مطالعه کردند. تحقیقات کمی در مورد روندهای مرتبط با استفاده از خدمات در محوطه دانشگاه برای نگرانی های سلامت روان دانشجویان وجود داشت. نرخ استفاده گسترده از خدمات وجود داشت، اما هیچ مطالعه منتشر شده ای رابطه مستقیم بین طیف وسیعی از علائم رایج سلامت روان و استفاده از خدمات در محوطه دانشگاه را بررسی نکرده بود. در [12]، نویسندگان مطالعه کردند تا بررسی کنند که کدام نگرانی های رایج سلامت روان با استفاده از خدمات خاص در دانشگاه در دانشجویان مقطع کارشناسی مرتبط است و اینکه آیا تأیید نگرانی های بیشتر سلامت روان می تواند تعداد بیشتری از خدمات مورد استفاده را پیش بینی کند. در [13]، این مطالعه نقش تعدیل کننده حمایت اجتماعی ادراک شده را در رابطه بین تقاضاهای تحصیلی (اندازه گیری شده به عنوان استرس تحصیلی ادراک شده) و سلامت روانی دانشجویان مقطع کارشناسی در اشتغال تمام وقت بررسی کرد. تعداد فزاینده ای از کشورهای در حال توسعه بدتر شدن آلودگی هوا را تجربه کرده اند که نشان داده شده بود باعث مشکلات سلامتی قابل توجهی می شود. با این حال، مطالعات کمی تأثیر آلودگی هوا بر سلامت روان دانشجویان دانشگاه، به ویژه در زمینه چین را بررسی کرده است. به منظور پرداختن به این شکاف، در [14]، از طریق یک بررسی مقطعی در مقیاس بزرگ، این مطالعه با هدف بررسی اثرات آلودگی هوا بر سلامت روان دانشجویان سال آخر دانشگاه چین با استفاده از رگرسیون لجستیک چند متغیره انجام شد. *الگوریتم e TextRank نقش مهمی در استخراج کلمات کلیدی دارد. در [15]، نویسنده یک الگوریتم استخراج خودکار کلمه کلیدی را بر اساس مدل وزنی TextRank ارائه کرد. در این مدل، بردارهای جاسازی کلمه برای محاسبه یک اندازه شباهت به عنوان وزن لبه استفاده شد. TextRank به عنوان یک فناوری استخراج کلمه کلیدی معمولی در طیف گسترده ای از کاربردهای تجاری از جمله طبقه بندی متن، بازیابی اطلاعات و خوشه بندی استفاده شده است. در این برنامه ها، پارامترهای TextRank، از جمله اندازه پنجره همزمان، تعداد تکرار و ضریب واپاشی، تقریباً تنظیم شده بودند. در [16]، نویسندگان یک مطالعه تجربی بر روی TextRank برای یافتن تنظیمات پارامتر بهینه برای استخراج کلمه کلیدی انجام دادند. *e انتشار وزن کلمه کلیدی در TextRank فقط بر فرکانس کلمه متمرکز شده است. برای بهبود عملکرد الگوریتم، در [17]، نویسندگان خوشه بندی معنایی TextRank را پیشنهاد کردند، یک الگوریتم استخراج کلمه کلیدی اخبار خوشه بندی معنایی مبتنی بر TextRank. در [18]، نویسندگان مجموعه داده ثبت اختراع چینی جدیدی را معرفی کردند و یک الگوریتم فرکانس معکوس فرکانس سند مبتنی بر رتبه بندی جمله را برای استخراج کلمه کلیدی ثبت اختراع، با انگیزه این فکر که «کلمات کلیدی در جملات کلیدی بودند، پیشنهاد کردند. ” در الگوریتم، یک مدل رتبه بندی جمله برای فیلتر کردن جملات بالای K-s از هر حق ثبت اختراع بر اساس نمودار معنایی جمله و قوانین اکتشافی ساخته شد. در [19]، نویسندگان یک شبکه کلمه را معرفی کردند که گره های آن کلمات را در یک سند نشان می داد و تعریف کردند که هر روش استخراج کلمه کلیدی مبتنی بر شبکه کلمه به عنوان روش Word-net نامیده می شود. *fa، نویسندگان یک مدل شبکه جدید پیشنهاد کردند که تأثیر جملات و یک روش جدید کلمه-جمله را بر اساس مدل جدید در نظر گرفت. در [20]، نویسندگان یک هستی شناسی و روش مبتنی بر تعبیه کلمه را برای استخراج خودکار عبارت کلیدی از اسناد علم زمین پیشنهاد کردند.

الگوریتم بهبود یافته بر اساس داده های خشن

الگوریتم استخراج کلمه کلیدی TextRank یک الگوریتم رتبه بندی مبتنی بر نمودار است که از الگوریتم PageRank گوگل مشتق شده است. TextRank ابتدا متن مورد نظر را به چند کلمه معنی دار تقسیم می کند و نمودار کلمه نامزد را می سازد و سپس از مکانیسم رأی گیری برای رتبه بندی کلمات نامزد برای دستیابی به استخراج کلمه کلیدی استفاده می کند. * وظیفه استخراج کلمه کلیدی استخراج چندین کلمه مهم از متن مورد نظر است. الگوریتم TextRank از همبستگی محلی بین کلمات (به عنوان مثال، پنجره کشویی همزمان) برای تعیین همبستگی بین کلمات نامزد استفاده می کند و سپس محاسبه تکراری و رتبه بندی کلمات کلیدی نامزد را انجام می دهد. نظریه مجموعه‌های ناهموار در اصل برای طبقه‌بندی متن برای تسریع طبقه‌بندی و بهبود دقت استفاده می‌شود. استنتاج داده‌های خشن مبتنی بر نظریه مجموعه‌های خشن است که اطلاعات تقریبی را از مفهوم تقریب بالایی در فرآیند استدلال داده‌ها ادغام می‌کند. *ایست مقاله استنباط تقریبی بالا را به الگوریتم استخراج کلمه کلیدی TextRank معرفی می کند و کلمات کلیدی استخراج شده در مدیریت و برنامه ریزی سلامت روان دانشجویان استفاده می شود. در الگوریتم استخراج کلمه کلیدی TextRank، کلمات کلیدی کاندید در متن، مدل نموداری هستند که توسط همبستگی همزمان ساخته شده است. و سپس وزن هر گره توسط ماتریس احتمال انتقال متوسط ??برای چندین بار تا زمان همگرایی محاسبه می شود. پس از همگرایی، کلمات بر اساس وزن آنها به ترتیب نزولی رتبه بندی می شوند و N کلمه اول به عنوان کلیدواژه استخراج شده انتخاب می شوند. *روش است مختصرتر و موثرتر است، اما محدودیت های خاصی دارد. در عملیات همگرا، از یک استراتژی خوشه‌بندی برای گروه‌بندی جمعیت به خوشه‌های متعدد استفاده می‌شود. *استفاده از پنجره همزمانی فقط همبستگی بین کلمات محلی را در نظر می گیرد، بنابراین برخی از کلماتی که نزدیک به یک کلمه کلیدی خاص هستند ممکن است نادیده گرفته شوند، اما کلمات کلیدی از یک سند فقط به کلمات کلیدی اطراف کلمات محدود نمی شوند. هنگام استخراج کلمه کلیدی متن، باید کلمات موجود در متن و همچنین برخی از کلمات بالقوه مرتبط را به طور کامل در نظر بگیرم. کلمات با همبستگی بالقوه تأثیر مهمی بر کل فرآیند رتبه‌بندی تکراری خواهند داشت و رابطه بالقوه را می‌توان با تئوری استنتاج داده‌های خشن کشف کرد. *بنابراین، این مقاله یک الگوریتم TextRank بهبود یافته را بر اساس تقریب بالای استنتاج داده‌های خشن پیشنهاد می‌کند. بر اساس شباهت معنایی کلمه واژه های سلامت روان، کلیدواژه های نامزد تقسیم می شوند. از آنجایی که ممکن است گروهی از کلمات با مفهوم کلمه مشابه در یک سند وجود داشته باشد، وزن این گروه از کلمات باید افزایش یابد تا دقت نتایج استخراج در هنگام توصیف همان محتوای مهم افزایش یابد. الگوریتم TextRank فقط خود کلمه حس را در نظر می گیرد و سهم کلمات با مفهوم کلمه مشابه را نادیده می گیرد. *بنابراین، الگوریتم بهبود یافته کلمه حس را در نظر می گیرد و کلمات نامزد را بر حس کلمه تقسیم می کند که می تواند کلمات کلیدی را به طور موثرتری استخراج کند.