Instruction file imported from raulemm7/Anima---AI-Mental-Wellness-Companion (.github/instructions/thesis/thesis-writing.instructions.md). Copyright stays with the author.

Skill: Redactare Lucrare de Licență — Anima

Scop

Acest skill ghidează agentul în redactarea lucrării de licență pentru proiectul Anima în aplicația Overleaf (LaTeX), în limba română, la persoana I plural.

Reguli Generale de Redactare

• Limba: română
• Persoana: I plural — „am propus", „am implementat", „am obținut", „am utilizat"
• Ton: academic, formal, fără colocvialisme
• Lungime: 35–50 de pagini de conținut (exclusiv bibliografie)
• Bibliografie: 2–3 pagini, adăugată separat
• Tot ce se afirmă trebuie citat
• Sursele trebuie să fie din ultimii 10 ani (>2015); excepție: lucrări fundamentale (ex. BiLSTM, Attention, Adam)
• Tip sursă:
  • Concepte/algoritmi/arhitecturi → cărți sau articole științifice
  • Descrieri de tehnologii/framework-uri → site-uri oficiale / documentație / platforme
  • Seturi de date → lucrarea originală care a introdus dataset-ul

Structura Lucrării (Cuprins)

Abstract (RO + EN)

• Maxim o pagină totală (RO + EN)
• Rezumă: problema abordată, metoda propusă, rezultatele principale (F1 Macro, clase importante)
• Menționează: HybridNet CNN+BiLSTM+Attention, 7 clase emoționale, aplicația Anima

Cap. 1 — Introducere

1.1 Contextul lucrării

• Prezintă domeniul la nivel conceptual: detecția emoțiilor din text, NLP, sănătate mentală digitală
• Nu intra în detalii tehnice — povestit la nivel de idei

1.2 Motivația și scopul lucrării

• De ce este importantă detecția emoțiilor în contextul unei aplicații de sănătate mentală
• Care este problema rezolvată și pentru cine
• Ultimele paragrafe: scurtă descriere a structurii lucrării (capitol cu capitol, 1-2 propoziții fiecare)

Cap. 2 — Stadiul Actual al Literaturii de Specialitate (SOTA)

• Prezintă modele existente pentru detecția emoțiilor din text:
  • Modele clasice (SVM, Naive Bayes)
  • Modele deep learning: CNN pentru text, BiLSTM, modele hibride
  • Modele transformer: BERT, DistilBERT, RoBERTa
• Compară cu abordarea propusă în această lucrare
• Surse: articole de conferință (ACL, EMNLP, NAACL, ICWSM) și lucrări de pe arXiv

Cap. 3 — Fundamente Teoretice

Regulă: descrie CE este fiecare tehnică, NU cum am implementat-o. Perspectivă pur teoretică, cu citări.

3.1 Arhitecturi Neuronale pentru Procesarea Textului

• 3.1.1 CNN pentru clasificare text — filtre convoluționale pe secvențe de cuvinte (n-grame)
• 3.1.2 BiLSTM — LSTM bidirecțional, capturarea contextului din ambele direcții
• 3.1.3 Multi-Head Self-Attention — mecanismul Attention din "Attention is All You Need"
• 3.1.4 Highway BiLSTM — conexiuni highway pentru gradient flow mai bun
• 3.1.5 Char-CNN — CNN aplicat la nivel de caractere, robust la zgomot și greșeli ortografice

3.2 Tehnici de Tokenizare și Regularizare

• 3.2.1 SentencePiece BPE — Byte Pair Encoding, tokenizare sub-word, vocabular 8K
• 3.2.2 Variante de Dropout — Word Dropout, Spatial Dropout, Locked Dropout, MS-Dropout
• 3.2.3 Embedding Mixup — augmentare în spațiul embedding-urilor
• 3.2.4 R-Drop — regularizare prin consistența distribuțiilor între două forward pass-uri
• 3.2.5 FGM Adversarial Training — Fast Gradient Method, perturbații adversariale la embedding-uri
• 3.2.6 EMA / SWA — Exponential Moving Average și Stochastic Weight Averaging

3.3 Funcții de Pierdere

• 3.3.1 Asymmetric Loss (ASL) — tratament asimetric al exemplelor pozitive vs. negative
• 3.3.2 Label Smoothing — regularizare a distribuției țintă
• 3.3.3 Multi-task Learning Loss — antrenare simultană pe task principal (7 clase) și auxiliar (28 clase GoEmotions)
• 3.3.4 Label Correlation Regularization — penalizare bazată pe matricea de corelație între clase

3.4 Algoritmi și Metrici de Evaluare

• 3.4.1 F1 Macro pentru multi-label — medie aritmetică a F1 per clasă, importanța claselor minoritare
• 3.4.2 Threshold Optimization per clasă — optimizarea pragului de decizie independent pentru fiecare clasă
• 3.4.3 AdamW — Adam cu weight decay decuplat
• 3.4.4 CosineAnnealingWarmRestarts — scheduler cu restarturi cosinus
• 3.4.5 Multi-Sample Dropout — mediere peste mai mulți pași de dropout la inferență

Cap. 4 — Modelul Propus și Metodologia de Antrenament

Regulă: acum intri în detalii despre CE am făcut noi, CUM am setat, CUM am aplicat.

4.1 Setul de Date și Procesare

• GoEmotions (Google, 2020) — 58K comentarii Reddit, 27 emoții
• Maparea 27 → 7 clase: anxiety, sadness, joy, anger, positive, neutral, confusion
• Dreaddit — pseudo-labeling cu prag de confidență ≥ 0.55 (1976 sample-uri adăugate)
• Preprocesare: normalizare text, tokenizare BPE (8K vocabular)

4.2 Arhitectura Modelului de Detecție a Emoțiilor

• HybridNet v15-full: CNN+BiLSTM+Attention, ~4.2M parametri
• 4 branch-uri: CNN (576d), Highway BiLSTM + Multi-Query Attention (768d), Char-CNN (192d)
• Concatenare → 1536d → classifier head (256d → 7 clase)
• Capul auxiliar: 1536d → 128d → 28 clase GoEmotions (doar la antrenament)

4.3 Detalii de Antrenament și Optimizare Hiperparametri

• Optimizer: AdamW, LR=1e-3, weight decay=1e-2
• Scheduler: CosineAnnealingWarmRestarts
• Loss: ASL(γ+=0) + Label Smoothing + R-Drop (α=0.3) + FGM (ε=0.3) + Aux BCE
• Snapshot Ensemble la antrenament
• Best epoch: 25/40 (SWA)

Cap. 5 — Experimente și Rezultate

IMPORTANT: Citește nlp-model/documentation/BENCHMARKS.md pentru toate valorile numerice. Citește și nlp-model/documentation/comparasion/MODEL_COMPARISON_REPORT.md și MODEL_COMPARISON_V10_V11_V12_V13.md. Plot-urile sunt în nlp-model/runs/*/plots/ (f1_curve.png, loss_curve.png, per_class_f1.png).

5.1 Evoluția Modelelor de la Baseline la Performanță

• Prezintă evoluția de la v2 (CNN simplu, F1=0.5898) la v15-full (F1=0.6297)
• Discută contribuția fiecărei tehnici adăugate (ASL, BPE, Highway BiLSTM, Char-CNN, Dreaddit)
• Tabel complet cu versiunile (extras din BENCHMARKS.md)

5.2 Analiza Performanței Ansamblului (Ensemble Model)

• Ensemble soft-voting: v11 + v13 + v14B — F1 Macro = 0.6385 (cel mai bun la t=0.5)
• De ce s-a ales v15-full în producție în locul ensemble-ului (complexitate, latență, simplitate deployment)

5.3 Comparația cu Modele Pre-antrenate

• DistilBERT (v6): F1 Macro = 0.6242 — parametri ~66.6M vs ~4.2M ai modelului propus
• Modelul propus este competitiv la ~6% din dimensiunea unui model transformer pre-antrenat
• Citează nlp-model/documentation/RESOURCES.md pentru referințe

Cap. 6 — Aplicația „Anima" — Arhitectură, Proiectare și Implementare

6.1 Cerințe Funcționale și Non-funcționale

• Funcționale: autentificare (register/verify/login/logout), jurnal emoțional, detecție emoții, istoric
• Non-funcționale: securitate (JWT + refresh tokens, Keychain), performanță, portabilitate (Android/iOS)

6.2 Arhitectura Sistemului Software

• 3 componente: .NET 9 backend (Clean Architecture, 8 proiecte), React Native mobile, FastAPI NLP service
• Diagramă arhitecturală: Phone → .NET API → FastAPI → Model v15-full
• Comunicare internă (localhost:8000) între .NET și Python

6.3 Diagrama de Clase

• Entități principale: User, RefreshToken, JournalEntry, EmotionScore
• Layers: Domain.Model → Infrastructure → Application → Api

6.4 Diagrama Cazurilor de Utilizare (Use Cases)

• Actori: Utilizator neautentificat, Utilizator autentificat
• Use cases: Înregistrare, Verificare email, Autentificare, Scriere jurnal, Vizualizare emoții, Deconectare

6.5 Implementare — Stack Tehnologic și Integrarea Modelului NLP

• Backend: .NET 9, ASP.NET Core, Entity Framework Core, PostgreSQL, JWT Bearer
• Mobile: React Native 0.84, TypeScript, React Navigation v6, react-native-keychain
• NLP Service: Python FastAPI, PyTorch, SentencePiece

6.6 Interfața Grafică și Fluxul de Utilizare

• Screenshots din aplicație: ecran login, register, verify email, home, jurnal, settings
• Descrie flow-ul complet al utilizatorului

6.7 Funcționalitățile Aplicației

• Persistent login (Keychain), auto-refresh token, best-effort logout
• Detecție emoții din text jurnal, afișare distribuție emoțională

Cap. 7 — Concluzii și Direcții Viitoare

7.1 Concluzii Generale

• Reamintește modelul ales: HybridNet v15-full, ~4.2M parametri
• Reamintește metricile: F1 Macro = 0.6297 (t=0.5), F1 Macro = 0.6429 (optimizat)
• Recall Macro = 0.6425 — important pentru o aplicație de sănătate mentală (false negative costisitor)
• Compară cu DistilBERT (66.6M params, F1=0.6242) — modelul propus este eficient și competitiv
• Câteva cuvinte despre aplicație: arhitectura, securitate, UX

7.2 Direcții Viitoare de Dezvoltare

• Fine-tuning pe date în limba română
• Integrarea unui model transformer mai mic (MiniLM, TinyBERT) pentru comparație
• Notificări proactive bazate pe pattern-uri emoționale detectate
• Funcționalitate de raportare pentru terapeut

Surse de Date pentru Agent

Când redactezi capitolele tehnice, citește obligatoriu aceste fișiere din repo:

Valori Numerice de Referință Rapide

Folosește valorile din BENCHMARKS.md ca sursă primară. Acestea sunt pentru referință rapidă:

Per clasă v15-full (t=0.5): anxiety=0.6389, sadness=0.5391, joy=0.7576, anger=0.5206, positive=0.7107, neutral=0.6377, confusion=0.6030

Convenții LaTeX pentru Overleaf

• Folosește \chapter{}, \section{}, \subsection{}
• Tabelele cu rezultate → mediu tabular cu booktabs (\toprule, \midrule, \bottomrule)
• Valori numerice în bold cu \textbf{} pentru best results
• Grafice din nlp-model/runs/*/plots/ → incluse cu \includegraphics
• Citări cu \cite{} folosind BibTeX
• Ecuații matematice: equation environment
• Cod: lstlisting sau minted
• Document class: \documentclass[12pt,a4paper]{report}