Visão sobre técnicas computacionais na detecção de depressão em texto

Autores

  • Leidiane Rodrigues Universidade Federal de Goiás
  • Deborah Fernandes Universidade Federal de Goiás
  • Marilúcia Pereira do Lago Universidade Federal de Goiás
  • Márcio Fernandes Universidade Estadual de Goiás
  • Fabrizzio Soares Universidade Federal de Goiás
  • Kairo Silva Universidade Federal de Goiás

DOI:

https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1363

Palavras-chave:

Computação, Depressão, Revisão

Resumo

Objetivo: Revisar a literatura sobre detecção de depressão em textos, focando em técnicas de aprendizado de máquina e processamento de linguagem natural.

Método: Análise de estudos que utilizam técnicas computacionais avançadas e dicionários de palavras indicativas de depressão, considerando a integração de métodos de aprendizado de máquina, processamento de linguagem natural, e recursos de saúde mental.

Resultados: A maioria dos trabalhos utiliza técnicas computacionais avançadas e dicionários específicos, mas há pouca integração da linguística e saúde mental nos modelos. Observou-se uma lacuna na incorporação do contexto cultural e regional da língua escrita.

Conclusão: Destaca-se a necessidade de incluir a linguística para considerar o contexto cultural e regional e aumentar o uso de recursos de saúde mental na identificação da depressão em textos, melhorando a precisão e eficácia das ferramentas de detecção.

Biografia do Autor

Leidiane Rodrigues, Universidade Federal de Goiás

 Mestrando(a) em Sistemas Inteligentes e Aplicações, Instituto de Informática, Universidade Federal de Goiás, Goiânia (GO), Brasil.

Deborah Fernandes, Universidade Federal de Goiás

Professor(a) Doutor(a), Instituto de Informática, Universidade Federal de Goiás, Goiânia (GO), Brasil.

Marilúcia Pereira do Lago, Universidade Federal de Goiás

Professor(a) Doutor(a), Faculdade de Educação, Universidade Federal de Goiás, Goiânia (GO), Brasil.

Márcio Fernandes, Universidade Estadual de Goiás

Professor Mestre, Campus de Ciências Exatas e Tecnológicas, Universidade Estadual de Goiás, Goiânia (GO), Brasil

Fabrizzio Soares, Universidade Federal de Goiás

 Professor(a) Doutor(a), Instituto de Informática, Universidade Federal de Goiás, Goiânia (GO), Brasil.

Kairo Silva, Universidade Federal de Goiás

Mestrando(a) em Sistemas Inteligentes e Aplicações, Instituto de Informática, Universidade Federal de Goiás, Goiânia (GO), Brasil.

Referências

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. 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. 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. 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. 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. DOI: https://doi.org/10.1017/CBO9780511809071

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. DOI: https://doi.org/10.1016/j.infsof.2013.07.010

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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/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. DOI: https://doi.org/10.1057/s41599-022-01313-2

O que é API. [Internet]. 2024 [citado 01 maio 2024]. Disponível em: https://encurtador.com.br/nUCzg

Downloads

Publicado

19-11-2024

Como Citar

Rodrigues, L., Fernandes, D., do Lago, M. P., Fernandes, M., Soares, F., & Silva, K. (2024). Visão sobre técnicas computacionais na detecção de depressão em texto. Journal of Health Informatics, 16(Especial). https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1363

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 > >> 

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

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