Система оцінювання психологічного стану військовослужбовців методами оброблення природної мови
Анотація
Проаналізовано можливості використання методів глибокого навчання та оброблення природної мови для автоматизованого визначення психоемоційного навантаження військовослужбовців на підставі їхніх текстових відповідей. Обґрунтовано доцільність застосування трансформерної моделі mBERT (англ. Multilingual Bidirectional Encoder Representations from Transformers – двоспрямовані подання кодерів від трансформаторів) у поєднанні зі створеним інтегральним індексом ІПЕН (інтегральний показник психоемоційного навантаження), що відображає узагальнений рівень психоемоційного стану військових. Запропонований підхід забезпечує можливість одночасної класифікації рівня стресу за шістьма категоріями та прогнозування кількісного індикатора, чим створює підґрунтя для побудови автоматизованих систем психологічного моніторингу. Створено спеціалізований корпус military_K.csv із 10 284 текстів, що містить реальні описи емоційних станів, а також синтетично згенеровані сценарії, які моделюють різні ступені стресових реакцій у військовому середовищі. Реалізована система містить модулі попередньої токенізації, батчового навчання, fine-tuning mBERT, автоматизованого генерування передбачень класу та значення ІПЕН, формування структурованого індивідуального психологічного звіту, а також перевірки якості моделі на незалежних вибірках. Оптимізацію виконано із застосуванням алгоритму AdamW (англ. Adaptive Moment Estimation), warmup-схеми та ретельного підбору гіперпараметрів. Валідацію проведено на відкладеній підвибірці та окремому наборі military_K_hold.csv, що забезпечує об'єктивність експериментів. Отримані показники – accuracy = 0.4558, macro-F1 = 0.4553, MAE = 0.2000, MSE = 0.0816, Pearson r = 0.5892 – свідчать про стабільність моделі. Найвищу точність зафіксовано для крайніх класів ("нормальний", "високий", "критичний"), що є ключовим за практичних умов, де критично важливо оперативно виявляти ризикові стани. Розроблений підхід здатний істотно зменшити навантаження на фахівців психологічної служби, забезпечити своєчасне виявлення ризикових військовослужбовців і підвищити точність моніторингу психоемоційного стану за умов динамічного бойового середовища. Практична реалізація системи демонструє перспективність використання алгоритмів глибокого навчання для підтримки прийняття рішень та формування персоналізованих рекомендацій, що підсилює її значущість для Збройних сил України.
Завантаження
Посилання
Acheampong, F. A., Nunoo-Mensah, H., & Chen, W. (2022). A review of transformer models for emotion recognition in text. IEEE Access, 34 p. URL: https://arXiv.org/pdf/2004.12765
Akhtar, M. S., Chauhan, D., Ekbal, A., & Bhattacharyya, P. (2021). A multitask approach for multilingual emotion detection using BERT. Cognitive Computation, 14 p. URL: https://arXiv.org/pdf/1907.08729
Almalki, S. S. (2025). Sentiment analysis and emotion detection using transformer-based models in multilingual social media. International Journal of Advanced Computer Science and Applications (IJACSA), 21(3), 10 p. URL: https://thesai.org/Downloads/Volume16No3/Paper_32-Sentiment_Analysis_and_Emotion_Detection.pdf
Asland, Z. (2024). Emotion detection using BERT-based approaches in natural language processing tasks. DergiPark, 20 p. URL: https://dergipark.org.tr/en/download/article-file/4105316
Romanyak, O., & Levus, Ye. (2025). Methods and means for managing autonomous and semi-autonomous robotic logistics devices on the battlefield: analysis and possible solutions. Herald of Khmelnytskyi National University. Technical sciences, 355(4), 506–519. https://doi.org/10.31891/2307-5732-2025-355-72
Balfour, M. (2019, February). The difficult return: The arts and social health of returning military personnel. The Arts in Psychotherapy, vol. 62, 61–67. https://doi.org/10.1016/j.aip.2018.11.003
Boltivets, S., Furman, A. V., Furman, Oksana, Korolchuk, V., & Korolchuk, M. (2025, December). Integrating psychophysiological technologies for stress management: Challenges and solutions in the Ukrainian healthcare system. European Journal of Trauma & Dissociation, vol. 9, issue 4, article ID 100603. https://doi.org/10.1016/j.ejtd.2025.100603
Chavan, T., Deshpande, K., & Sonawane, S. (2023). Empathy and distress recognition using transformer ensemble models. arXiv Preprint, 11 p. URL: https://arXiv.org/pdf/2312.02578
De Bruyne, L., Singh, P., De Clercq, O., Lefever, E., & Hoste, V. (2022). How does emotion detection depend on language? Evidence from Multilingual BERT. Proceedings of the 2nd International Workshop on Multilingual Representation Learning (MRL), 10 p. URL: https://aclanthology.org/2022.mrl-1.7.pdf
Haque, Md R., Franco, Z., Hossain, Md F., Frydrychowicz, W., et al. (2023). Perceptions of Mental Health Crisis among U.S. Military Veteran Peer Mentors and Potential of Mobile-Based Peer-Support Interventions. CSCW '23 Companion: Companion Publication of the 2023 Conference on Computer Supported Cooperative Work and Social Computing, pp. 33–38. https://doi.org/10.1145/3584931.3607009
Hassan, S., Shaar, S., & Darwish, K. (2022). Cross-lingual emotion detection. Proceedings of the Thirteenth Language Resources and Evaluation Conference (LREC 2022), 11 p. URL: https://aclanthology.org/2022.lrec-1.751.pdf
Lake, J. (2015, April). The integrative management of PTSD: A review of conventional and CAM approaches used to prevent and treat PTSD with emphasis on military personnel. Advances in Integrative Medicine, vol. 2, issue 1, 13–23. https://doi.org/10.1016/j.aimed.2014.10.002
Lebedev, G., Zhovnerchuk, E., Zhovnerchuk, I., & Moskovenko, A. (2020). Remote Recognition of Human Emotions Using Deep Machine Learning of Artificial Neural Networks. Procedia Computer Science, vol. 176, 1517–1522. https://doi.org/10.1016/j.procs.2020.09.162
Lokyan, A., Baghdasaryan, S., & Hovhannisyan, H. (2025, April). Enhancing psychological training in military personnel: Modern approaches, systemic assessments and hands-on recommendations. Asian Journal of Psychiatry, vol. 106, article ID 104442. https://doi.org/10.1016/j.ajp.2025.104442
Luzik, E. V., Shvydchenko, V. O., & Hrybun, N. S. (2024). Post-traumatic stress disorder in servicemen during wartime: diagnostic challenges and intervention needs. Visnyk of the National Aviation University: Psychology and Pedagogy, 2(5), 45–53. URL: https://jrnl.nau.edu.ua/index.php/VisnikPP/article/view/19358
Manwar, V. A., & Manwar, A. B. (2025). mBERT: A Query Refinement Model for Marathi Word Sense Disambiguation. 2025 IEEE International Students Conference on Electrical, Electronics and Computer Science (SCEECS), Bhopal, India, pp. 1–6. https://doi.org/10.1109/SCEECS64059.2025.10940800
Portnytska, N. (2023). Challenges to mental health in Ukraine. Zhytomyr Ivan Franko State University Working Papers, Special Issue, 1–7. URL: https://eprints.zu.edu.ua/37249/7/portnytska-2023-challenges-to-mental-health-in-ukraine.pdf
Sable, K. P., & Satarkar, S. L. (2024). Design of an Iterative Model Incorporating mBERT, CSLM, and ADAN for Multilingual and Code-Switched Sentiment Analysis. 2024 International Conference on Distributed Systems, Computer Networks and Cybersecurity (ICDSCNC), Bengaluru, India, pp. 1–6. https://doi.org/10.1109/ICDSCNC62492.2024.10939421
Sharma, E., Patel, A., Singh, R., & Chandra, D. (2023). Transformer-based models for stress detection in social media text. Expert Systems with Applications, 15 p. URL: https://arXiv.org/pdf/2303.11315
Shevchenko, A. I., Panok, V. G., Shevtsov, A. G., Slyusar, V. I., Malyi, R. I., Yeroshenko, T. V., & Nazar, M. M. (2024). Development of a virtual psychological assistant with artificial intelligence in the healthcare sector. Clinical and Preventive Medicine, 8(38), 15–27. https://doi.org/10.31612/2616-4868.8.2024.02
Shkvarok, A. K., Korost, Y. V., Turchak, D. V., Tedoradze, G., & Tatvidze, K. (2025, May). Impact of the full-scale invasion on the mental health of the population of the country in a state of military conflict: a study of regional trends in anxiety, depression, acute stress disorder and post-traumatic stress disorder. Wiadomości Lekarskie Medical Advances, 78(5), 967–973. URL: https://www.wiadomoscilekarskie.pl/pdf-205354-126021
Shvets, V. O., Marushchenko, O. V., Poliukhovych, O. M., & Pudáilo, O. V. (2024). Features of the information factor influence on mental health characteristics of servicemen after participation in combat actions. Ukrainian Journal of Military Medicine, 4(1), 54–63. URL: https://ujmm.org.ua/index.php/journal/article/view/416/321
Shykovets, S., & Karamushka, T. (2024, March). Mental health support of personnel in the Armed Forces of Ukraine: characteristics of the current situation and prospects for improvement. Kyiv Journal of Modern Psychology and Psychotherapy, 7, 102–116. https://doi.org/10.48020/mppj.2024.01.07
Shynkaruk, O. V., Bishevets, N. S., Dutchak, M. V., Kozlova, I. M., Kryvonos, R. I., & Petrenko, V. O. (2024). Mental health and post-traumatic stress disorder in military personnel depending on participation in active combat operations. Physical education, sport and health culture in modern society, 2(66), 39–51. https://doi.org/10.29038/2220-7481-2024-02-39-51
Suhartono, D., Saputra, I. F., Pratama, A. R., & Nathanael, G. (2024). Psychological stress detection using transformer-based models. ResearchGate Preprint, 12 p. URL: https://www.researchgate.net/publication/382323820
Tang, R., Kempinski, A., & Lin, J. (2023). Generative language models are pattern recognizers. arXiv Preprint, arXiv:2311.12373v2, 18 p. URL: https://arXiv.org/pdf/2311.12373v2
Won, H., Kang, M., Kim, M., Lee, D., Choi, H., Kim, Y., Choi, D., Ko, M., & Han, J. (2025). "Show Your Mind": Unveiling User Experience on an AI-based Mental Health Assessment System with Symptom-based Evidences. CHI EA 25: Proceedings of the Extended Abstracts of the CHI Conference on Human Factors in Computing Systems, 26, pp. 1–11. https://doi.org/10.1145/3706599.3719735
Yan, S., Kim, J., & Kim, H. (2022). Psychological stress detection from text using BERT-based representations. Proceedings of the CLPsych Workshop, ACL 2022, 9 p. URL: https://aclanthology.org/2022.clpsych-1.7.pdf
Zhuang, M., Chen, D., Lu, S., & Tan, S. (2024). Psychological stress detection in social networks using a BERT-fused model. PLOS ONE, 19 p. URL: https://journals.plos.org/plosone/article/file?id=10.1371/journal.pone.0312264&type=printable
