Аннотация. Обнаружение тревоги и депрессии через тексты в социальных сетях стало важным направлением исследований, что обусловлено растущей распространенностью проблем психического здоровья и широким распространением личного и эмоционального опыта на онлайн-платформах. Доступность крупномасштабного пользовательского контента дает возможность разработать автоматизированные системы для раннего обнаружения и вмешательства. В данном исследовании эффективность трех широко используемых моделей машинного обучения — логистической регрессии, метода опорных векторов (SVM) и случайного леса — оценивается с помощью ключевых показателей оценки, таких как точность, полнота, F1-показатель и общая точность. Среди протестированных моделей Random Forest демонстрирует превосходную производительность, стабильно достигая коэффициента восстановления 0,91 и F1-показателя 0,93 при выявлении лиц, вероятно страдающих тревожностью и депрессией. Эти результаты свидетельствуют о его надежности и достоверности в реальных приложениях. SVM также демонстрирует хорошие результаты, с хорошим балансом между точностью и коэффициентом восстановления, и достигает высокой общей точности 98%. С другой стороны, логистическая регрессия, хотя и является вычислительно эффективной и простой в реализации, демонстрирует ограничения в обнаружении положительных случаев, с относительно низким коэффициентом восстановления 0,59. Результаты этого сравнительного анализа подчеркивают потенциал передовых алгоритмов машинного обучения в поддержке скрининга психического здоровья и подчеркивают важность выбора модели при создании эффективных и масштабируемых инструментов обнаружения.

Ключевые слова: обнаружение тревожности, машинное обучение в психологии, искусственный интеллект в психологии, обнаружение депрессии, машинное обучение.