Predicting Depression: a comparative study of machine learning approaches based on language usage.

La depresión es uno de los mayores problemas de salud pública que constituye a su vez una de las principales causas de incapacidad. A nivel mundial, más de 332 millones de personas de todas las edades padecen este trastorno. Investigaciones previas demuestran que el lenguaje que utilizan las persona...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Luciana Mariñelarena-Dondena, Edgardo Ferretti, Manolis Maragoudakis, Maximiliano Sapino, Marcelo Luis Errecalde
Formato:	article
Lenguaje:	EN ES PT
Publicado:	CAEN 2017
Materias:	depresión aprendizaje automático aprendizaje profundo smote (synthetic minority oversampling technique) Medicine R Internal medicine RC31-1245 Neurosciences. Biological psychiatry. Neuropsychiatry RC321-571 Philosophy. Psychology. Religion B Psychology BF1-990
Acceso en línea:	https://doi.org/10.7714/CNPS/11.3.201 https://doaj.org/article/a06d4f213f9741ea8a4020b5d7f58c85
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:doaj.org-article:a06d4f213f9741ea8a4020b5d7f58c85
record_format	dspace
spelling	oai:doaj.org-article:a06d4f213f9741ea8a4020b5d7f58c852021-11-11T15:54:11ZPredicting Depression: a comparative study of machine learning approaches based on language usage.0718-4123https://doi.org/10.7714/CNPS/11.3.201https://doaj.org/article/a06d4f213f9741ea8a4020b5d7f58c852017-01-01T00:00:00Zhttp://www.redalyc.org/articulo.oa?id=439656187002https://doaj.org/toc/0718-4123La depresión es uno de los mayores problemas de salud pública que constituye a su vez una de las principales causas de incapacidad. A nivel mundial, más de 332 millones de personas de todas las edades padecen este trastorno. Investigaciones previas demuestran que el lenguaje que utilizan las personas refleja su salud mental. Por tal motivo, existe un creciente interés en la aplicación de técnicas de procesamiento del lenguaje natural para predecir la depresión. En este trabajo se presenta un estudio comparativo de diferentes métodos de aprendizaje automático como así también distintas maneras de representación de los documentos con el fin de detectar automáticamente a aquellos usuarios de medios sociales que manifestaron haber sido diagnosticados previamente con depresión. Los resultados obtenidos mostraron que la performance del clasificador mejoró considerablemente cuando se aplicó un enfoque de Aprendizaje Profundo combinándolo con el algoritmo SMOTE (Synthetic Minority Oversampling TEchnique) que permite hacer frente al problema de las clases desbalanceadas alcanzando así una medida F1 del 82.93%. En síntesis, este enfoque combinado, SMOTE + Aprendizaje Profundo, predice la depresión con una exactitud de más del 94%.Luciana Mariñelarena-DondenaEdgardo FerrettiManolis MaragoudakisMaximiliano SapinoMarcelo Luis ErrecaldeCAENarticledepresiónaprendizaje automáticoaprendizaje profundosmote (synthetic minority oversampling technique)MedicineRInternal medicineRC31-1245Neurosciences. Biological psychiatry. NeuropsychiatryRC321-571Philosophy. Psychology. ReligionBPsychologyBF1-990ENESPTCuadernos de Neuropsicologia, Vol 11, Iss 3, Pp 42-54 (2017)
institution	DOAJ
collection	DOAJ
language	EN ES PT
topic	depresión aprendizaje automático aprendizaje profundo smote (synthetic minority oversampling technique) Medicine R Internal medicine RC31-1245 Neurosciences. Biological psychiatry. Neuropsychiatry RC321-571 Philosophy. Psychology. Religion B Psychology BF1-990
spellingShingle	depresión aprendizaje automático aprendizaje profundo smote (synthetic minority oversampling technique) Medicine R Internal medicine RC31-1245 Neurosciences. Biological psychiatry. Neuropsychiatry RC321-571 Philosophy. Psychology. Religion B Psychology BF1-990 Luciana Mariñelarena-Dondena Edgardo Ferretti Manolis Maragoudakis Maximiliano Sapino Marcelo Luis Errecalde Predicting Depression: a comparative study of machine learning approaches based on language usage.
description	La depresión es uno de los mayores problemas de salud pública que constituye a su vez una de las principales causas de incapacidad. A nivel mundial, más de 332 millones de personas de todas las edades padecen este trastorno. Investigaciones previas demuestran que el lenguaje que utilizan las personas refleja su salud mental. Por tal motivo, existe un creciente interés en la aplicación de técnicas de procesamiento del lenguaje natural para predecir la depresión. En este trabajo se presenta un estudio comparativo de diferentes métodos de aprendizaje automático como así también distintas maneras de representación de los documentos con el fin de detectar automáticamente a aquellos usuarios de medios sociales que manifestaron haber sido diagnosticados previamente con depresión. Los resultados obtenidos mostraron que la performance del clasificador mejoró considerablemente cuando se aplicó un enfoque de Aprendizaje Profundo combinándolo con el algoritmo SMOTE (Synthetic Minority Oversampling TEchnique) que permite hacer frente al problema de las clases desbalanceadas alcanzando así una medida F1 del 82.93%. En síntesis, este enfoque combinado, SMOTE + Aprendizaje Profundo, predice la depresión con una exactitud de más del 94%.
format	article
author	Luciana Mariñelarena-Dondena Edgardo Ferretti Manolis Maragoudakis Maximiliano Sapino Marcelo Luis Errecalde
author_facet	Luciana Mariñelarena-Dondena Edgardo Ferretti Manolis Maragoudakis Maximiliano Sapino Marcelo Luis Errecalde
author_sort	Luciana Mariñelarena-Dondena
title	Predicting Depression: a comparative study of machine learning approaches based on language usage.
title_short	Predicting Depression: a comparative study of machine learning approaches based on language usage.
title_full	Predicting Depression: a comparative study of machine learning approaches based on language usage.
title_fullStr	Predicting Depression: a comparative study of machine learning approaches based on language usage.
title_full_unstemmed	Predicting Depression: a comparative study of machine learning approaches based on language usage.
title_sort	predicting depression: a comparative study of machine learning approaches based on language usage.
publisher	CAEN
publishDate	2017
url	https://doi.org/10.7714/CNPS/11.3.201 https://doaj.org/article/a06d4f213f9741ea8a4020b5d7f58c85
work_keys_str_mv	AT lucianamarinelarenadondena predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT edgardoferretti predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT manolismaragoudakis predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT maximilianosapino predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT marceloluiserrecalde predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage
_version_	1718432932759076864

Predicting Depression: a comparative study of machine learning approaches based on language usage.

Ejemplares similares