Identificação de ideação suicida em textos usando aprendizado semi-supervisionado

Autores

  • João Pedro Cavalcanti Azevedo Universidade Federal do Maranhão
  • Adonias Caetano de Oliveira Universidade Federal do Delta do Parnaíba
  • Ariel Soares Teles Instituto Federal do Maranhão

DOI:

https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1321

Palavras-chave:

Análise de Emoções, Ideação Suicida, Saúde Mental

Resumo

Objetivo: Aprimorar o modelo Boamente usando métodos de aprendizado semi-supervisionado para a identificação de ideação suicida em textos não clínicos escritos em português brasileiro, a fim de melhorar o seu desempenho. Método: Foi realizada a coleta de novos dados e a aplicação de diferentes métodos de aprendizado semi-supervisionado com ênfase em análise de emoções para aprimorar o modelo existente. Resultados: Os resultados demostraram uma evolução entre 2,39% e 4,30% na métrica de acurácia em relação ao modelo original, com o método self-learning alcançando o melhor desempenho. Conclusão: A aplicação de métodos de aprendizado semi-supervisionado propiciou a melhoria no desempenho do modelo Boamente para a identificação de ideação suicida. Esse estudo então contribui para o desenvolvimento de uma ferramenta mais eficaz para os profissionais de saúde mental na prevenção ao suicídio, auxiliado-os em tomadas de decisão mais assertivas no monitoramento de seus pacientes.

Biografia do Autor

João Pedro Cavalcanti Azevedo, Universidade Federal do Maranhão

Mestrando em Ciência da Computação, Programa de Pós-graduação em Ciência da Computação, Universidade Federal do Maranhão, São Luís (MA), Brasil.

Adonias Caetano de Oliveira, Universidade Federal do Delta do Parnaíba

Doutorando em Biotecnologia, Programa de Pós-graduação em Biotecnologia, Universidade Federal do Delta do Parnaíba, Paranaíba (PI), Brasil.

Ariel Soares Teles, Instituto Federal do Maranhão

Doutor em Engenharia Elétrica, Instituto Federal do Maranhão, Araioses (MA), Brasil.

Referências

Shin S, Kim K. Prediction of suicidal ideation in children and adolescents using machine learning and deep learning algorithm: A case study in South Korea where suicide is the leading cause of death. Asian Journal of Psychiatry [Internet]. 2023 Oct 1;88:103725. DOI: https://doi.org/10.1016/j.ajp.2023.103725

Choi M, Eun Hae Lee, Joshua Kirabo Sempungu, Yo Han Lee. Long-term trajectories of suicide ideation and its socioeconomic predictors: A longitudinal 8-year follow-up study. Social science & medicine. 2023 Jun 1;326:115926–6. DOI: https://doi.org/10.1016/j.socscimed.2023.115926

Facchinetti T, Benetti G, Giuffrida D, Nocera A. slr-kit: A semi-supervised machine learning framework for systematic literature reviews. Knowledge-Based Systems. 2022 Sep;251:109266. DOI: https://doi.org/10.1016/j.knosys.2022.109266

Chen H, Han W, Soujanya Poria. SAT: Improving Semi-Supervised Text Classification with Simple Instance-Adaptive Self-Training. arXiv (Cornell University). 2022 Jan 1. DOI: https://doi.org/10.18653/v1/2022.findings-emnlp.456

Coppersmith DDL, Dempsey W, Kleiman EM, Bentley KH, Murphy SA, Nock MK. Just-in-Time Adaptive Interventions for Suicide Prevention: Promise, Challenges, and Future Directions. Psychiatry. 2022 Jul 18;1–17. DOI: https://doi.org/10.31234/osf.io/eg9fx

Diniz EJS, Fontenele JE, de Oliveira AC, Bastos VH, Teixeira S, Rabêlo RL, et al. Boamente: A Natural Language Processing-Based Digital Phenotyping Tool for Smart Monitoring of Suicidal Ideation. Healthcare. 2022 Apr 8;10(4):698. DOI: https://doi.org/10.3390/healthcare10040698

Torous J, Kiang MV, Lorme J, Onnela JP. New Tools for New Research in Psychiatry: A Scalable and Customizable Platform to Empower Data Driven Smartphone Research. JMIR Mental Health. 2016 May 5;3(2):e16. DOI: https://doi.org/10.2196/mental.5165

Amini MR, Feofanov V, Pauletto L, Hadjadj L, Devijver E, Maximov Y. Self-Training: A Survey [Internet]. arXiv.org. 2023. DOI: https://doi.org/10.2139/ssrn.4875054

Lang H, Agrawal MN, Kim Y, Sontag D. Co-training Improves Prompt-based Learning for Large Language Models [Internet]. proceedings.mlr.press. PMLR; 2022. p. 11985–2003.

Chen Y, Tan X, Zhao B, Chen Z, Song R, Liang J, et al. Boosting Semi-Supervised Learning by Exploiting All Unlabeled Data [Internet]. openaccess.thecvf.com. 2023. p. 7548–57. DOI: https://doi.org/10.1109/CVPR52729.2023.00729

Iscen A, Tolias G, Avrithis Y, Chum O. Label Propagation for Deep Semi-Supervised Learning [Internet]. openaccess.thecvf.com. 2019. p. 5070–9. DOI: https://doi.org/10.1109/CVPR.2019.00521

Chen X, Yu G, Tan Q, Wang J. Weighted samples based semi-supervised classification. Applied soft computing. 2019 Jun 1;79:46–58. DOI: https://doi.org/10.1016/j.asoc.2019.03.005

Souza F, Nogueira R, Lotufo R. BERTimbau: Pretrained BERT Models for Brazilian Portuguese. Intelligent Systems. 2020;403–17. DOI: https://doi.org/10.1007/978-3-030-61377-8_28

Wagner Filho JA, Wilkens R, Idiart M, Villavicencio A. The brWaC Corpus: A New Open Resource for Brazilian Portuguese [Internet]. Calzolari N, Choukri K, Cieri C, Declerck T, Goggi S, Hasida K, et al., editors. ACLWeb. Miyazaki, Japan: European Language Resources Association (ELRA); 2018.

Lasri S, Nfaoui EH, El haoussi F. Suicide Ideation Detection on Social Networks: Short Literature Review. Procedia Computer Science. 2022;215:713–21. DOI: https://doi.org/10.1016/j.procs.2022.12.073

Heckler WF, de Carvalho JV, Barbosa JLV. Machine learning for suicidal ideation identification: A systematic literature review. Computers in Human Behavior. 2022 Mar;128:107095. DOI: https://doi.org/10.1016/j.chb.2021.107095

Ji S, Pan S, Li X, Cambria E, Long G, Huang Z. Suicidal Ideation Detection: A Review of Machine Learning Methods and Applications. IEEE Transactions on Computational Social Systems. 2021 Feb;8(1):214–26. DOI: https://doi.org/10.1109/TCSS.2020.3021467

McMullen L, Parghi N, Rogers ML, Yao H, Bloch-Elkouby S, Galynker I. The role of suicide ideation in assessing near-term suicide risk: A machine learning approach. Psychiatry Research. 2021. Oct;304:114118. DOI: https://doi.org/10.1016/j.psychres.2021.114118

Birjali M, Beni-Hssane A, Erritali M. Machine Learning and Semantic Sentiment Analysis based Algorithms for Suicide Sentiment Prediction in Social Networks. Procedia Computer Science. 2017;113:65–72. DOI: https://doi.org/10.1016/j.procs.2017.08.290

Chatterjee M, Kumar P, Samanta P, Sarkar D. Suicide ideation detection from online social media: A multi-modal feature based technique. International Journal of Information Management Data Insights. 2022 Nov;2(2):100103. DOI: https://doi.org/10.1016/j.jjimei.2022.100103

Downloads

Publicado

19-11-2024

Como Citar

Azevedo, J. P. C., de Oliveira, A. C., & Teles, A. S. (2024). Identificação de ideação suicida em textos usando aprendizado semi-supervisionado. Journal of Health Informatics, 16(Especial). https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1321

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)