Visão sobre técnicas computacionais na detecção de depressão em texto
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1363Palavras-chave:
Computação, Depressão, RevisãoResumo
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.
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.
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
Downloads
Publicado
Como Citar
Edição
Secção
Licença
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0.
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. 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 eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
