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...
Guardado en:
Autores principales: | , , , , |
---|---|
Formato: | article |
Lenguaje: | EN ES PT |
Publicado: |
CAEN
2017
|
Materias: | |
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 |