Identificação de ideação suicida em textos usando aprendizado semi-supervisionado
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1321Palavras-chave:
Análise de Emoções, Ideação Suicida, Saúde MentalResumo
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.
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
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista (Declaração de Exclusividade). A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão de um Termo de Transferência de Direitos de Publicação. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito de Publicação.
