Computational linguistics

Suicidal ideation is the consideration of self-inflicted death and has emerged as a serious and rising concern for worldwide public health systems, contributing to over 800,000 deaths annually worldwide. Individuals express intentions, distress, and thoughts of self-harm and death, thereby offering a crucial and unprecedented avenue for timely psychological intervention and surveillance. The core problem addressed by this research is the pronounced global insufficiency in detecting and mitigating suicidal ideation across linguistically diverse environments, specifically focusing on low-resource languages. Previous computational studies have primarily focused on English and other widely used languages, leaving a critical research gap for contexts such as Amharic. The main aim of this study was to investigate and to develop a robust and optimal deep learning model for identifying suicidal ideation in Amharic social media content. A total of 5,428 postings from social media such as Facebook and Telegram were carefully collected, manually annotated, and processed to provide the first publicly available dataset on Amharic suicidal ideation. After preprocessing, Word2Vec, GloVe, and FastText were among the word embedding techniques used for feature engineering. Five deep learning models and four machine learning models were then compared in this study. Based on the experimental results, ensemble learning models achieved slightly higher performance than the individual deep learning models in suicidal ideation detection. Specifically, hard voting ensemble learning models achieved the highest accuracy (83.3%) and precision (86.55%). CNN-BiLSTM achieved an accuracy of 81.45%, while the BiLSTM model achieved an accuracy of 81.4%, indicating that bidirectional sequence learning effectively captures contextual information in Amharic texts. Beyond its strong empirical performance, this study contributes a robust detection framework and introduces a public Amharic dataset, thereby establishing a foundational methodological resource for mental health research. Future studies should focus on developing scalable datasets and context-aware deep learning models that effectively handle multimodal data, multilingual transformer models, fusion-based features, and addressing bias in low-resource computational linguistics.

افکار خودکشی به معنای اندیشیدن به مرگ خودخواسته است و به عنوان یک نگرانی جدی و رو به افزایش برای نظام‌های سلامت عمومی در سراسر جهان مطرح شده است، به طوری که سالانه بیش از ۸۰۰٬۰۰۰ مرگ را در سطح جهانی رقم می‌زند. افراد، نیت‌ها، پریشانی و افکار آسیب به خود و مرگ را ابراز می‌کنند و بدین ترتیب، مسیر مهم و بی‌سابقه‌ای برای مداخله و پایش روان‌شناختی به موقع فراهم می‌شود. مسئله اصلی که این پژوهش به آن می‌پردازد، کمبود چشمگیر جهانی در شناسایی و کاهش افکار خودکشی در محیط‌های زبانی متنوع، به ویژه در زبان‌های کم‌منبع است. مطالعات محاسباتی پیشین عمدتاً بر زبان انگلیسی و سایر زبان‌های پرکاربرد تمرکز داشته‌اند و این امر موجب ایجاد شکاف پژوهشی مهمی در زمینه‌هایی مانند زبان آمهاریک شده است. هدف اصلی این مطالعه، بررسی و توسعه یک مدل یادگیری عمیق قوی و بهینه برای شناسایی افکار خودکشی در محتوای شبکه‌های اجتماعی به زبان آمهاریک بود. در مجموع، ۵٬۴۲۸ پست از شبکه‌های اجتماعی مانند فیس‌بوک و تلگرام با دقت جمع‌آوری، به صورت دستی برچسب‌گذاری و پردازش شدند تا نخستین مجموعه‌داده عمومی درباره افکار خودکشی به زبان آمهاریک فراهم شود. پس از پیش‌پردازش، تکنیک‌های تعبیه واژه مانند Word2Vec، GloVe و FastText برای مهندسی ویژگی‌ها به کار گرفته شدند. در این پژوهش، پنج مدل یادگیری عمیق و چهار مدل یادگیری ماشین با یکدیگر مقایسه شدند. بر اساس نتایج تجربی، مدل‌های یادگیری تجمعی (ensemble learning) عملکردی اندکی بهتر از مدل‌های یادگیری عمیق منفرد در شناسایی افکار خودکشی داشتند. به طور خاص، مدل‌های یادگیری تجمعی با رأی‌گیری سخت (hard voting) بالاترین دقت (۸۳/۳٪) و دقت مثبت (precision) (۸۶/۵۵٪) را به دست آوردند. مدل CNN-BiLSTM به دقت ۸۱/۴۵٪ و مدل BiLSTM به دقت ۸۱/۴٪ دست یافتند که نشان می‌دهد یادگیری دنباله‌ای دوسویه به طور مؤثری اطلاعات زمینه‌ای را در متون آمهاریک استخراج می‌کند. افزون بر عملکرد تجربی قوی، این پژوهش چارچوب شناسایی قابل اعتمادی ارائه داده و مجموعه‌داده عمومی آمهاریک را معرفی می‌کند و بدین ترتیب منبع روش‌شناختی بنیادی برای پژوهش‌های سلامت روان فراهم می‌آورد. مطالعات آتی باید بر توسعه مجموعه‌داده‌های مقیاس‌پذیر و مدل‌های یادگیری عمیق آگاه از زمینه که به طور مؤثر داده‌های چندوجهی، مدل‌های ترنسفورمر چندزبانه، ویژگی‌های مبتنی بر همجوشی و رفع سوگیری در زبان‌شناسی محاسباتی کم‌منبع را مدیریت می‌کنند، تمرکز کنند.

This study aims to map the global development of Arabic language education research through a bibliometric analysis of publication trends, journal sources, contributing institutions, countries of corresponding authors, and the most-cited documents. It also analyses keyword co-occurrence to identify major research themes, emerging trends, and potential future directions. Data were collected from the Scopus database using a structured search query, resulting in 166 documents after a rigorous screening process. Prior to analysis, metadata were cleaned using OpenRefine to ensure consistency and accuracy by standardizing author names, institutional affiliations, and keyword variations. Bibliometric analysis was conducted using Biblioshiny (R) and VOSviewer. In the VOSviewer analysis, a thesaurus file was applied to standardize terminology and eliminate duplication, ensuring accurate thematic mapping. The findings indicate a significant increase in publications over the past decade, reflecting growing academic interest in Arabic language education. The results show a strong dominance of technology-oriented journals, particularly in artificial intelligence and natural language processing. Research productivity is concentrated in the Middle East, especially in Saudi Arabia and Egypt, although international collaboration is gradually increasing. Highly cited documents tend to focus on computational approaches and the development of linguistic resources, highlighting their central role in advancing the field. Thematic analysis reveals five major research clusters, including machine learning, pedagogy, computational linguistics, speech processing, and natural language processing. The evolution of research topics shows a shift from traditional teaching approaches to advanced technologies such as deep learning and large language models. These patterns indicate an increasing integration of pedagogical and technological perspectives in the field. Future research directions include the development of large-scale Arabic datasets, the integration of explainable artificial intelligence, adaptive learning systems, and ethical considerations in AI-based education. These findings provide empirical insights for researchers and policymakers to support evidence-based development in Arabic language education.

این مطالعه با هدف نقشه‌برداری از روند جهانی توسعه پژوهش‌های آموزش زبان عربی از طریق تحلیل کتاب‌سنجی روندهای انتشار، منابع مجلات، نهادهای مشارکت‌کننده، کشورهای نویسندگان مسئول و اسناد پرارجاع انجام شده است. همچنین، هم‌رخدادی واژگان کلیدی برای شناسایی محورهای اصلی پژوهش، روندهای نوظهور و جهت‌گیری‌های آینده مورد تحلیل قرار گرفته است. داده‌ها با استفاده از یک پرسش ساختاریافته از پایگاه داده Scopus گردآوری شد که پس از فرایند غربالگری دقیق، ۱۶۶ سند به دست آمد. پیش از تحلیل، فراداده‌ها با استفاده از OpenRefine برای اطمینان از یکنواختی و دقت، از طریق استانداردسازی نام نویسندگان، وابستگی‌های سازمانی و گونه‌های واژگان کلیدی پاک‌سازی شد. تحلیل کتاب‌سنجی با استفاده از Biblioshiny (R) و VOSviewer انجام گرفت. در تحلیل VOSviewer، یک فایل اصطلاحنامه برای استانداردسازی واژگان و حذف تکرار به کار رفت تا نقشه‌برداری موضوعی با دقت انجام شود. یافته‌ها نشان‌دهنده افزایش قابل توجه انتشارات در دهه گذشته و بازتاب‌دهنده رشد علاقه علمی به آموزش زبان عربی است. نتایج حاکی از غلبه چشمگیر مجلات فناوری‌محور، به ویژه در حوزه هوش مصنوعی و پردازش زبان طبیعی است. تولید پژوهش عمدتاً در خاورمیانه، به ویژه عربستان سعودی و مصر متمرکز است، هرچند همکاری‌های بین‌المللی به تدریج در حال افزایش است. اسناد پرارجاع عمدتاً بر رویکردهای محاسباتی و توسعه منابع زبانی متمرکزند و نقش محوری آن‌ها در پیشبرد این حوزه را برجسته می‌کنند. تحلیل موضوعی پنج خوشه اصلی پژوهشی شامل یادگیری ماشین، آموزش، زبان‌شناسی محاسباتی، پردازش گفتار و پردازش زبان طبیعی را نشان می‌دهد. تحول موضوعات پژوهشی، گذار از رویکردهای سنتی آموزش به فناوری‌های پیشرفته‌ای چون یادگیری عمیق و مدل‌های زبانی بزرگ را آشکار می‌سازد. این الگوها نشان‌دهنده ادغام فزاینده دیدگاه‌های آموزشی و فناورانه در این حوزه است. جهت‌گیری‌های آینده پژوهش شامل توسعه داده‌مجموعه‌های بزرگ زبان عربی، ادغام هوش مصنوعی قابل تبیین، سامانه‌های یادگیری تطبیقی و ملاحظات اخلاقی در آموزش مبتنی بر هوش مصنوعی است. این یافته‌ها بینش‌های تجربی برای پژوهشگران و سیاست‌گذاران به منظور حمایت از توسعه مبتنی بر شواهد در آموزش زبان عربی فراهم می‌کند.

Researchers often want to measure a variety of constructs such as anxiety, discrimination, or loneliness in text data from surveys, interviews, social media, and electronic health records. Using large language models (LLMs)-although optimal for text classification-remain infeasible for some researchers due to concerns around computational expertise, cost, privacy, and compute requirements. Therefore, some researchers prefer to use lightweight models for large data sets or interpretable models to avoid mistakes in high-stakes scenarios. Lexicons offer simple baselines to LLMs by searching for relevant phrases and can be used together with LLMs to guarantee capturing specific keywords. However, building new lexicons is resource intensive. In this study, we found that GPT-4 Turbo was able to automatically create a lexicon for 49 known risk factors for suicidal thoughts and behaviors, which we release as the Suicide Risk Lexicon. Generating a lexicon with LLMs quickly measures most constructs relevant for suicide risk detection, resulting in high content validity. This lexicon was able to accurately predict risk in crisis counseling conversations. After validating the lexicon with clinician ratings, the lexicon modestly outperformed the linguistic inquiry and word count lexicon, which has low content validity for mental illness, and performed similarly to some black-box deep learning models. We discovered that active suicidal ideation and direct self-injury were stronger indicators of imminent risk than passive suicidal ideation and depressed mood in this ecological setting of crisis counseling conversations. To simplify creating new lexicons for other research domains, we introduce a Python package, construct-tracker. (PsycInfo Database Record (c) 2026 APA, all rights reserved).

پژوهشگران اغلب تمایل دارند انواع سازه‌هایی مانند اضطراب، تبعیض یا احساس تنهایی را در داده‌های متنی حاصل از پیمایش‌ها، مصاحبه‌ها، شبکه‌های اجتماعی و پرونده‌های سلامت الکترونیک اندازه‌گیری کنند. اگرچه استفاده از مدل‌های زبانی بزرگ (LLMs) برای طبقه‌بندی متن بهینه است، اما به دلیل نگرانی‌هایی درباره تخصص محاسباتی، هزینه، حریم خصوصی و نیازهای محاسباتی، برای برخی پژوهشگران عملی نمی‌باشد. بنابراین، برخی پژوهشگران ترجیح می‌دهند برای داده‌های بزرگ از مدل‌های سبک یا برای سناریوهای حساس از مدل‌های قابل تفسیر استفاده کنند تا از بروز خطا جلوگیری شود. واژگان‌ها با جستجوی عبارات مرتبط، مبنایی ساده در مقابل LLMها فراهم می‌کنند و می‌توانند همراه با LLMها برای تضمین شناسایی واژگان خاص به کار روند. با این حال، ساخت واژگان‌های جدید نیازمند منابع زیادی است. در این مطالعه، دریافتیم که GPT-4 Turbo قادر است به طور خودکار واژگانی برای ۴۹ عامل خطر شناخته‌شده برای افکار و رفتارهای خودکشی ایجاد کند که آن را به عنوان واژگان خطر خودکشی منتشر می‌کنیم. تولید واژگان با استفاده از LLMها امکان اندازه‌گیری سریع اغلب سازه‌های مرتبط با شناسایی خطر خودکشی را فراهم می‌کند و منجر به روایی محتوایی بالا می‌شود. این واژگان توانست خطر را در مکالمات مشاوره بحران به طور دقیق پیش‌بینی کند. پس از اعتبارسنجی واژگان با ارزیابی‌های بالینی، این واژگان نسبت به واژگان تحلیل واژگانی و شمارش واژه‌ها که روایی محتوایی پایینی برای بیماری روانی دارد، عملکرد بهتری داشت و عملکردی مشابه برخی مدل‌های یادگیری عمیق جعبه‌سیاه نشان داد. دریافتیم که افکار خودکشی فعال و خودآسیبی مستقیم، شاخص‌های قوی‌تری برای خطر قریب‌الوقوع نسبت به افکار خودکشی منفعل و خلق افسرده در این زمینه بوم‌شناختی مکالمات مشاوره بحران هستند. برای ساده‌سازی ایجاد واژگان جدید در حوزه‌های پژوهشی دیگر، یک بسته پایتون به نام construct-tracker معرفی می‌کنیم. (رکورد پایگاه داده PsycInfo (c) 2026 APA، کلیه حقوق محفوظ است).