Il rilevamento della depressione è diventato un compito arduo nei social media a causa della sua complicata associazione con i disturbi mentali.
Lo studio pubblicato nella rivista International Journal of Data Analysis Techniques and Strategies dimostra come un modello di deep learning semi-supervisionato possa essere utilizzato per identificare segni di depressione negli utenti di social media online.
La salute mentale è in cima all’agenda medica moderna, lo sviluppo di metodi che possano aiutare a individuare i primi sintomi associati alla depressione, potrebbe essere importante per offrire agli utenti un rapido intervento.
Gaurav Kumar Gupta e Dilip Kumar Sharma del Dipartimento di Ingegneria Informatica e Applicazioni dell’Università GLA di Mathura, in India, sottolineano che nell’era digitale, è una sfida importante identificare le persone a rischio di problemi di salute mentale.
È stato evidenziato che molte persone trascorrono gran parte del loro tempo online, lavorando da remoto o altrimenti isolate in una certa misura dalle interazioni faccia a faccia, e anche chi non lo fa spesso riesce a mascherare i problemi, quindi la diagnosi può essere difficile. La sfida di individuare i segnali di depressione nel vasto mare di dati dei social media, potrebbe offrire informazioni sulla salute mentale.
Il team di ricercatori per lo studio, ha utilizzato un’analisi dettagliata delle caratteristiche demografiche relative ai contenuti, compresi sia gli aspetti strutturali sia le sfumature semantiche dei dati negli aggiornamenti dei social media.
Il sistema con il suo profondo modello di autocodificazione può quindi estrarre affermazioni e modelli di parole associati o caratteristici dei sintomi della depressione. Gli insight (in psichiatria il termine è utilizzato per definire il grado di autoconsapevolezza della malattia presente nel paziente) disponibili, una volta identificata un’indicazione di aggiornamenti associati alla depressione, possono essere estesi consentendo all’algoritmo di accedere al profilo di una persona. Pertanto, combinando i punteggi sulla depressione dei tweet, gli attributi del profilo e la conoscenza ibrida, il sistema classifica gli utenti come depressi o non depressi.
Il modello di deep learning semi-supervisionato, rispetto ad altri metodi, dimostra una precisione migliorata di oltre l’11%. Ciò potrebbe aprire la possibilità di sviluppare il metodo come parte di una tecnica multimodale per identificare la depressione da altre forme di contenuti online, come espressioni facciali, immagini e video. Il modo in cui viene utilizzata la diagnosi dipende quindi dal singolo e dal medico.
