Un enfoque de aprendizaje profundo de múltiples clases para la detección temprana de trastornos depresivos y de ansiedad utilizando datos de Twitter
Autores: Bendebane, Lamia; Laboudi, Zakaria; Saighi, Asma; Al-Tarawneh, Hassan; Ouannas, Adel; Grassi, Giuseppe
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un enfoque de aprendizaje profundo de múltiples clases para la detección temprana de trastornos depresivos y de ansiedad utilizando datos de Twitter
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Redes sociales
Extracción de datos
Aprendizaje profundo
Trastornos mentales
Análisis de Twitter
Modelos de múltiples clases
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 38
Citaciones: Sin citaciones
Las redes sociales ocupan un lugar importante en la vida diaria de las personas, donde los usuarios comparten diversos contenidos y temas como pensamientos, experiencias, eventos y sentimientos. El uso masivo de las redes sociales ha llevado a la generación de enormes volúmenes de datos. Estos datos constituyen un tesoro, permitiendo la extracción de grandes cantidades de información relevante, especialmente mediante técnicas de aprendizaje profundo. Basándonos en este contexto, se han llevado a cabo diversos estudios de investigación con el objetivo de estudiar la detección de trastornos mentales, especialmente depresión y ansiedad, a través del análisis de datos extraídos de la plataforma de Twitter. Sin embargo, aunque estos estudios lograron obtener resultados muy satisfactorios, se basaron principalmente en modelos de clasificación binaria tratando cada trastorno mental por separado. De hecho, sería mejor si lográramos desarrollar sistemas capaces de tratar varios trastornos mentales al mismo tiempo. Para abordar este punto, proponemos una metodología bien definida que involucra el uso de aprendizaje profundo para desarrollar modelos efectivos de múltiples clases para detectar tanto la depresión como los trastornos de ansiedad a través del análisis de tweets. La idea consiste en probar una gran cantidad de modelos de aprendizaje profundo que van desde variantes simples hasta híbridas para examinar sus fortalezas y debilidades. Además, involucramos la técnica de búsqueda en cuadrícula para ayudar a encontrar valores adecuados para el hiperparámetro de tasa de aprendizaje debido a su importancia en el entrenamiento de modelos. Nuestro trabajo se valida a través de varios experimentos y comparaciones considerando diversos conjuntos de datos y otros modelos de clasificación binaria. El objetivo es mostrar la efectividad tanto de las suposiciones utilizadas para recopilar los datos como del uso de modelos de múltiples clases en lugar de modelos de clase binaria. En general, los resultados obtenidos son satisfactorios y muy competitivos en comparación con trabajos relacionados.
Descripción
Las redes sociales ocupan un lugar importante en la vida diaria de las personas, donde los usuarios comparten diversos contenidos y temas como pensamientos, experiencias, eventos y sentimientos. El uso masivo de las redes sociales ha llevado a la generación de enormes volúmenes de datos. Estos datos constituyen un tesoro, permitiendo la extracción de grandes cantidades de información relevante, especialmente mediante técnicas de aprendizaje profundo. Basándonos en este contexto, se han llevado a cabo diversos estudios de investigación con el objetivo de estudiar la detección de trastornos mentales, especialmente depresión y ansiedad, a través del análisis de datos extraídos de la plataforma de Twitter. Sin embargo, aunque estos estudios lograron obtener resultados muy satisfactorios, se basaron principalmente en modelos de clasificación binaria tratando cada trastorno mental por separado. De hecho, sería mejor si lográramos desarrollar sistemas capaces de tratar varios trastornos mentales al mismo tiempo. Para abordar este punto, proponemos una metodología bien definida que involucra el uso de aprendizaje profundo para desarrollar modelos efectivos de múltiples clases para detectar tanto la depresión como los trastornos de ansiedad a través del análisis de tweets. La idea consiste en probar una gran cantidad de modelos de aprendizaje profundo que van desde variantes simples hasta híbridas para examinar sus fortalezas y debilidades. Además, involucramos la técnica de búsqueda en cuadrícula para ayudar a encontrar valores adecuados para el hiperparámetro de tasa de aprendizaje debido a su importancia en el entrenamiento de modelos. Nuestro trabajo se valida a través de varios experimentos y comparaciones considerando diversos conjuntos de datos y otros modelos de clasificación binaria. El objetivo es mostrar la efectividad tanto de las suposiciones utilizadas para recopilar los datos como del uso de modelos de múltiples clases en lugar de modelos de clase binaria. En general, los resultados obtenidos son satisfactorios y muy competitivos en comparación con trabajos relacionados.