Identificación de ideas suicidas en textos mediante aprendizaje semisupervisado
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1321Palabras clave:
Análisis de Emociones, Ideación Suicida, Salud MentalResumen
Objetivo: Mejorar el desempeño del modelo Boamente utilizando métodos de aprendizaje semi-supervisado para la identificación de ideación suicida en textos no clínicos escritos en portugués brasileño. Método: Se recolectaron nuevos datos y se aplicaron diferentes métodos de aprendizaje semisupervisado con énfasis en el análisis de emociones para mejorar el modelo existente. Resultados: Los resultados mostraron una mejora de entre el 2,39% y el 4,30% en la métrica de precisión en comparación con el modelo original, siendo el método de aprendizaje autosupervisado el que obtuvo el mejor rendimiento. Conclusión: La aplicación de métodos de aprendizaje semisupervisado mejoró el rendimiento del modelo Boamente para identificar la ideación suicida. Este estudio contribuye, por tanto, al desarrollo de una herramienta más eficaz para los profesionales de la salud mental en la prevención del suicidio, ayudándoles a tomar decisiones más asertivas en el seguimiento de sus pacientes.
Citas
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.
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.
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.
Chen H, Han W, Soujanya Poria. SAT: Improving Semi-Supervised Text Classification with Simple Instance-Adaptive Self-Training. arXiv (Cornell University). 2022 Jan 1.
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.
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.
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.
Amini MR, Feofanov V, Pauletto L, Hadjadj L, Devijver E, Maximov Y. Self-Training: A Survey [Internet]. arXiv.org. 2023.
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.
Iscen A, Tolias G, Avrithis Y, Chum O. Label Propagation for Deep Semi-Supervised Learning [Internet]. openaccess.thecvf.com. 2019. p. 5070–9.
Chen X, Yu G, Tan Q, Wang J. Weighted samples based semi-supervised classification. Applied soft computing. 2019 Jun 1;79:46–58.
Souza F, Nogueira R, Lotufo R. BERTimbau: Pretrained BERT Models for Brazilian Portuguese. Intelligent Systems. 2020;403–17.
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.
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.
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.
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.
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.
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
