Détecter la dépression sur les réseaux sociaux
Recherche publiée dans le Revue internationale des techniques et stratégies d’analyse de données démontre comment un modèle d’apprentissage profond semi-supervisé peut être utilisé pour identifier les signes de dépression chez les utilisateurs des médias sociaux en ligne. Étant donné que la santé mentale figure en bonne place dans l’agenda médical moderne, le développement de méthodes permettant de détecter les premiers symptômes associés aux problèmes de santé mentale pourrait être important pour offrir aux utilisateurs une intervention le plus tôt possible.
Gaurav Kumar Gupta et Dilip Kumar Sharma du Département de génie informatique et d’applications de l’Université GLA de Mathura, en Inde, soulignent que l’identification des personnes à risque de problèmes de santé mentale constitue un défi important à l’ère numérique. De nombreuses personnes passent une grande partie de leur temps en ligne, travaillent à distance ou sont isolées dans une certaine mesure des interactions en face à face, et même celles qui ne le font pas peuvent souvent masquer leurs problèmes, de sorte que le diagnostic peut être difficile. Le défi consistant à identifier les signes de dépression au milieu de la vaste mer de données des médias sociaux pourrait offrir un aperçu de la santé mentale.
L’approche de l’équipe a utilisé une analyse détaillée des caractéristiques démographiques et liées au contenu, y compris les aspects structurels et les nuances sémantiques des données dans les mises à jour des médias sociaux. Le système, avec son modèle d’encodeur automatique profond, peut ensuite extraire des déclarations et des modèles de mots associés ou caractéristiques des symptômes de la dépression. Les informations disponibles peuvent être étendues en permettant à l’algorithme d’accéder au profil d’une personne une fois qu’une indication de mises à jour associées à la dépression a été identifiée. Ainsi, en combinant les scores de dépression des tweets, les attributs du profil et les connaissances hybrides, le système classe les utilisateurs comme déprimés ou non déprimés.
La recherche démontre une précision améliorée de plus de 11 % par rapport aux autres méthodes. Cela pourrait ainsi ouvrir la possibilité de développer cette approche dans le cadre d’une technique multimodale permettant d’identifier la dépression à partir d’autres formes de contenu en ligne, tels que les expressions faciales, les images et les vidéos. La manière dont le diagnostic est utilisé relève alors de l’individu et du médecin.
