Autor/autores:
Zhang Z , Zhu J , Guo Z...(et.al)
La depresión representa un problema de salud pública mundial acuciante que afecta el bienestar físico y mental de cientos de millones de personas en todo el mundo. A pesar de los avances en la práctica clínica, un número alarmante de personas en riesgo de padecer depresión siguen enfrentándose a importantes obstáculos para obtener un d...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
La depresión representa un problema de salud pública mundial acuciante que afecta el bienestar físico y mental de cientos de millones de personas en todo el mundo. A pesar de los avances en la práctica clínica, un número alarmante de personas en riesgo de padecer depresión siguen enfrentándose a importantes obstáculos para obtener un diagnóstico oportuno y un tratamiento eficaz, lo que agrava una creciente crisis de salud social.
Este estudio busca desarrollar un nuevo método de detección del riesgo de depresión en línea utilizando tecnología de procesamiento del lenguaje natural para identificar a las personas en riesgo de depresión en la plataforma de redes sociales china Sina Weibo.
En primer lugar, recopilamos aproximadamente 527. 333 publicaciones compartidas públicamente durante un año de 1600 personas con depresión y 1600 personas sin depresión en la plataforma Sina Weibo. Luego, desarrollamos una red de transformadores jerárquicos para aprender representaciones semánticas a nivel de usuario, que consta de 3 componentes principales: un codificador a nivel de palabra, un codificador a nivel de publicación y un codificador de agregación semántica.
El codificador a nivel de palabra aprende incrustaciones semánticas de publicaciones individuales, mientras que el codificador a nivel de publicación explora características en secuencias de publicaciones de usuarios.
El codificador de agregación semántica agrega semánticas de secuencias de publicaciones para generar una representación semántica a nivel de usuario que se puede clasificar como deprimida o no deprimida. A continuación, se emplea un clasificador para predecir el riesgo de depresión.
Por último, realizamos análisis estadísticos y lingüísticos del contenido de las publicaciones de personas con y sin depresión utilizando la Investigación lingüística china y el recuento de palabras.
Dividimos el conjunto de datos original en conjuntos de entrenamiento, validación y prueba. El conjunto de entrenamiento consistió en 1000 personas con depresión y 1000 personas sin depresión. De manera similar, cada conjunto de validación y prueba comprendió 600 usuarios, con 300 personas de ambas cohortes (depresión y no depresión). Nuestro método logró una precisión del 84, 62%, una precisión del 84, 43%, un recuerdo del 84, 50% y una puntuación F1 del 84, 32% en el conjunto de prueba sin emplear técnicas de muestreo.
Sin embargo, al aplicar nuestra estrategia de muestreo basada en la recuperación propuesta, observamos mejoras significativas en el rendimiento: una precisión del 95, 46%, una precisión del 95, 30%, un recuerdo del 95, 70% y una puntuación F1 del 95, 43%. Estos resultados sobresalientes demuestran claramente la eficacia y superioridad de nuestro modelo de detección del riesgo de depresión propuesto y la técnica de muestreo basada en la recuperación.
Este avance proporciona nuevos conocimientos para la detección de la depresión a gran escala a través de las redes sociales. A través del análisis del comportamiento del lenguaje, descubrimos que las personas con depresión son más propensas a usar palabras de negación (el valor de “maldición” es 0, 001253). Esto puede indicar la presencia de emociones negativas, rechazo, duda, desacuerdo o aversión en las personas con depresión.
Además, nuestro análisis reveló que las personas con depresión tienden a usar vocabulario emocional negativo en sus expresiones (“NegEmo”: 0, 022306; “Anx”: 0, 003829; “Anger”: 0, 004327; “Sad”: 0, 005740), lo que puede reflejar sus emociones negativas internas y su estado psicológico. Este uso frecuente de vocabulario negativo podría ser una forma de que las personas con depresión expresen sentimientos negativos hacia la vida, hacia sí mismas o hacia su entorno.
Los resultados de la investigación indican la viabilidad y eficacia de utilizar métodos de aprendizaje profundo para detectar el riesgo de depresión. Estos hallazgos ofrecen información sobre el potencial de una predicción automatizada, no invasiva y a gran escala de la depresión entre los usuarios de las redes sociales en línea.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental. jmir. org/
Inicio: 23/10/2024 |Precio: 120€
Ver curso