Deteção automática de sinais de depressão em redes sociais em contexto de Covid-19

Abstract

A saúde mental é um tema muito abordado nos dias de hoje, especialmente desde que a pandemia começou, uma vez que o distanciamento social fez com que as pessoas tivessem de criar alternativas de comunicação, tendo recorrido cada vez mais às redes sociais para esse efeito. Muitas pessoas não querem ser tratadas ou não assumem que têm depressão, resultando muitas vezes em casos mais graves, como episódios depressivos, levando até a situações de suicídio. Deste modo, para evitar as situações já referidas, é necessário criar técnicas de deteção automática de sinais de depressão com base em informação produzida por um determinado indivíduo. Existem diversos trabalhos que referem vários métodos de deteção bem como analisam a depressão numa perspetiva das ciências cognitivas. Nesta dissertação pretende-se detetar sinais depressivos cruzando as palavras que compõem uma determinada publicação textual de duas formas diferentes: com léxicos já existentes ou com um dicionário que contém as palavras relacionadas com depressão, provenientes de fontes distintas. Igualmente, pretende-se aplicar algoritmos de aprendizagem automática considerando o histórico de um determinado utilizador para que os resultados sejam comparados ao estado de arte. Foi possível concluir que, as pessoas depressivas normalmente utilizam uma diversidade de palavras no seu vocabulário o que torna complicada a deteção recorrendo a léxicos. No entanto, se forem consideradas as palavras negativas, os resultados vão ser melhorados. Os algoritmos genéricos aplicados, conseguiram melhorar os resultados em termos de precisão mas em relação à cobertura e à medida f ficaram aquém do estado de arte.

Mental health is a topic that has been discussed a lot these days, especially since the pandemic started, since the social distance meant that people had to create communication alternatives, having increasingly resorted to social networks for this purpose. Many people do not want to be treated or do not assume they have depression, often resulting in more serious cases, such as depressive episodes, even leading to suicide. Thus, to avoid the aforementioned situations, it is necessary to create techniques for the automatic detection of depression signs based on information produced by a specific individual. There are several works that refer to various detection methods as well as analyzing depression from a cognitive science perspective. This dissertation aims to detect depressive signs by crossing the words that make up a given textual publication in two different ways: with existing lexicons or with a dictionary that contains words related to depression, from different sources. Likewise, it is intended to apply automatic learning algorithms considering the history of a given user so that the results can be compared to the state of the art. It was possible to conclude that depressed people usually use a variety of words in their vocabulary which makes detection complicated using lexicons. However, if negative words are considered, the results will be improved. The applied generic algorithms were able to improve the results in terms of precision, but in relation to coverage and measure f, they were below the state of the art.