Información sobre técnicas computacionales para detectar la depresión en el texto
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1363Palabras clave:
Informática, Depresión, RevisiónResumen
Objetivo: Revisar la literatura sobre la detección de la depresión en textos, centrándose en técnicas de aprendizaje automático y procesamiento de lenguaje natural.
Método: Análisis de estudios que utilizan técnicas computacionales avanzadas y diccionarios de palabras indicativas de depresión, considerando la integración de métodos de aprendizaje automático, procesamiento de lenguaje natural y recursos de salud mental.
Resultados: La mayoría de los trabajos utilizan técnicas computacionales avanzadas y diccionarios específicos, pero hay poca integración de la lingüística y la salud mental en los modelos. Se observó una brecha en la incorporación del contexto cultural y regional del lenguaje escrito.
Conclusión: Se destaca la necesidad de incluir la lingüística para considerar el contexto cultural y regional y aumentar el uso de recursos de salud mental en la identificación de la depresión en textos, mejorando la precisión y efectividad de las herramientas de detección.
Citas
de Souza RC. O que é psicologia. [Internet]. 2024 [citado 10 jan 2024]. Disponível em: https://www.oasisbr.ibict.br/vufind/Record/UFAM-1_4b00bd2b922bad486fde3ef8829cd87b
Rice F, Riglin L, Lomax T, Souter E, Potter R, Smith D, Thapar A, Thapar A. Diferenças entre adolescentes e adultos nos perfis de sintomas de depressão maior. [Internet]. 2019 [citado 08 nov 2023]. doi: https://doi.org/10.1016/j.jad.2018.09.015.
Tolentino J, Schmidt S. Critérios do DSM-5 e gravidade da depressão: implicações para a prática clínica. Fronteiras em Psiquiatria. 2018;9 [citado 08 nov 2023]. doi: https://doi.org/10.3389/fpsyt.2018.00450.
Vermeulen A, Vandebosch H, Heirman W. #Sorrindo, #desabafando ou ambos? Compartilhamento social de emoções por adolescentes nas redes sociais. Computação. Zumbir. Comporte-se. 2018;84:211-219. doi: https://doi.org/10.1016/j.chb.2018.02.022.
Trivedi M. Transtorno Depressivo Maior na Atenção Primária: Estratégias para Identificação. The Journal of Clinical Psychiatry. 2020;81(2) [citado 08 nov 2023]. doi: https://doi.org/10.4088/jcp.ut17042br1c.
Amanat A, Rizwan M, Javed A, Abdelhaq M, Alsaqour R, Pandya S, Uddin M. Aprendizado profundo para detecção de depressão a partir de dados textuais. Eletrônicos. 2022 [citado 08 nov 2023]. doi: https://doi.org/10.3390/electronics11050676.
World Health Organization. Depression and Other Common Mental Disorders: Global Health Estimates. World Health Organization; 2017.
Silva FA, Souza RS. Natural Language Processing for Social Media Text Analysis in Detecting Depression. Journal of Medical Internet Research. 2020;22(6)
Oliveira LM, Cunha AB. Cultural Adaptation and Validation of Depression Screening Tools in Brazil. International Journal of Mental Health Systems. 2019;13:45.
Manning CD, Raghavan P, Schütze H. Introduction to Information Retrieval. Cambridge University Press; 2008.
Jurafsky D, Martin JH. Speech and Language Processing. 3rd ed. Pearson; 2019.
Kitchenham B, Brereton P. A systematic review of systematic review process research in software engineering. Information and Software Technology. 2013;55(12):2049-2075.
Saravanan T, Jhaideep T, Bindu NH. Detecting depression using Hybrid models created using Google's BERT and Facebook's Fast Text Algorithms. Proceedings of the 2nd International Conference on Advance Computing and Innovative Technologies in Engineering (ICACITE). 2022 Apr 28; Greater Noida, India. p. 415-421. doi: 10.1109/ICACITE53722.2022.9823581.
de Carvalho VF, Giacon B, Nascimento C, Nogueira BM. Aprendizado de Máquina para Identificação de Ideação Suicida no Twitter para a Língua Portuguesa. In: Cerri R, Prati RC, editores. Sistemas Inteligentes. BRACIS 2020. Notas de aula em Ciência da Computação. vol. 12319. Springer, Cham; 2020. p. 123-131. doi: 10.1007/978-3-030-61377-8_37.
Malhotra A, Jindal R. Deep learning techniques for suicide and depression detection from online social media: A scoping review. Applied Soft Computing. 2022;130:109713. doi: 10.1016/j.asoc.2022.109713.
Vieira S, Liang X, Guiomar R, Mechelli A. Can we predict who will benefit from cognitive-behavioural therapy? A systematic review and meta-analysis of machine learning studies. Clinical Psychology Review. 2022;97:102193. doi: 10.1016/j.cpr.2022.102193.
Li G, Li B, Huang L, Hou S. Automatic Construction of a Depression-Domain Lexicon Based on Microblogs: Text Mining Study. JMIR Med Inform. 2020 Jun 23;8(6)
doi: 10.2196/17650.
Lima GMdA. Detecção de indícios de depressão em textos curtos usando transferência de conhecimento. [Internet]. 2023 [citado 15 jan 2024]. Disponível em: https://www.oasisbr.ibict.br/vufind/Record/UFAM-1_4b00bd2b922bad486fde3ef8829cd87b
Cha J, Kim S, Park E. A lexicon-based approach to examine depression detection in social media: the case of Twitter and university community. Humanit Soc Sci Commun. 2022;9(1):325. doi: 10.1057/s41599-022-01313-2.
O que é API. [Internet]. 2024 [citado 01 maio 2024]. Disponível em: https://encurtador.com.br/nUCzg
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.
