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.
Downloads
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.
