Desenvolvimento de Ferramenta de Análise de Sentimentos para Identificação de Possíveis Sinais de Comportamento Depressivo na Rede Social Twitter
DOI:
https://doi.org/10.5753/reic.2024.3430Keywords:
Twitter, Depressão, Mineração de Dados, Aprendizagem de Máquina Supervisionada, Pré-pandemia COVID-19, Pandemia COVID-19Abstract
A pesquisa sobre modelos computadorizados para identificar problemas de saúde mental em usuários de redes sociais tem crescido desde os anos 2000, principalmente em inglês. Choudhury et al. e Coppersmith et al. propuseram um método para detectar comportamento depressivo usando atributos-chave de postagens no Twitter, como quantidade de tweets, pronomes pessoais, termos depressivos, tom emocional, horário de postagem, menções a antidepressivos e respostas de seguidores. Para verificar se essas novas formas de expressão melhoram o desempenho do modelo, este projeto amplia o trabalho de Choudhury et al. e Coppersmith et al. introduzindo cinco novos atributos: caracteres orientais, emojis, mídia, links e curtidas. Foram criadas duas bases de dados de tweets em português, abrangendo períodos pre-pandemia (01/01/2018 a 31/12/2019) e pandemia (01/01/2020 a 31/12/2021), divididas em duas categorias: ”depressão” e ”controle”, representando usuários com e sem depressão. Essas bases de dados foram usadas para avaliar o impacto dos novos atributos e desenvolver um modelo para detectar comportamento depressivo por meio da análise de sentimentos em tweets em português.
Downloads
Referências
AlSagri, H. S. and Ykhlef, M. (2020). Machine Learning-based Approach for Depression Detection in Twitter Using Content and Activity Features. IEICE Transactions on Information and Systems, E103.D(8):1825–1832. arXiv:2003.04763 [cs, stat].
Bollen, J., Pepe, A., and Mao, H. (2011). Modeling public mood and emotion: Twitter sentiment and socio-economic phenomena. arXiv:0911.1583 [cs]. arXiv: 0911.1583.
Britto, L. and Pacífico, L. (2019). Analise de Sentimentos para Revisões de Aplicativos Mobile em Português Brasileiro. In Anais do Encontro Nacional de Inteligencia Artificial e Computacional (ENIAC), pages 1080–1090. SBC. ISSN: 2763-9061.
Coppersmith, G., Dredze, M., and Harman, C. (2014). Quantifying Mental Health Signals in Twitter. In Proceedings of the Workshop on Computational Linguistics and Clinical Psychology: From Linguistic Signal to Clinical Reality, pages 51–60, Baltimore, Maryland, USA. Association for Computational Linguistics.
Corbanezi, E. (2018). Transtornos Depressivos e Capitalismo Contemporaneo. Caderno CRH, 31:335–353. Publisher: Universidade Federal da Bahia - Faculdade de Filosofia e Ciências Humanas - Centro de Recursos Humanos.
De Choudhury, M., Gamon, M., Counts, S., and Horvitz, E. (2013). Predicting Depression via Social Media. In Kiciman, E., Ellison, N. B., Hogan, B., Resnick, P., and Soboroff, I., editors, Proceedings of the Seventh International Conference on Weblogs and Social Media, ICWSM 2013, Cambridge, Massachusetts, USA, July 8-11, 2013. The AAAI Press.
Hassan, N. Y., Gomaa, W. H., Khoriba, G. A., and Haggag, M. H. (2020). Credibility Detection in Twitter Using Word N-gram Analysis and Supervised Machine Learning Techniques. International Journal of Intelligent Engineering & Systems, 13(1). JustAnotherArchivist (2022). Snscrape. original-date: 2018-09-09T20:16:31Z.
Kristensen, C. H., Gomes, C. F. d. A., Justo, A. R., and Vieira, K. (2011). Normas brasileiras para o Affective Norms for English Words. Trends in Psychiatry and Psychotherapy, 33:135–146. Publisher: Associação de Psiquiatria do Rio Grande do Sul.
Mendes, A. R., Passador, R. V. P., and Caseli, H. M. (2021). Identificando sintomas de depressão em postagens do Twitter em português do Brasil. In Anais do Simpósio Brasileiro de Tecnologia da Informação e da Linguagem Humana (STIL), pages 162–171. SBC.
Mukaka, M. (2012). A guide to appropriate use of Correlation coefficient in medical research. Malawi Medical Journal : The Journal of Medical Association of Malawi, 24(3):69–71.
Park, M., Cha, C., and Cha, M. (2012). Depressive moods of users portrayed in Twitter. Proceedings of the 18th ACM International Conference on Knowledge Discovery and Data Mining, SIGKDD 2012, pages 1–8.
Rude, S., Gortner, E.-M., and Pennebaker, J. (2004). Language use of depressed and depression-vulnerable college students. Cognition and Emotion, 18(8):1121–1133. Publisher: Routledge eprint: https://doi.org/10.1080/02699930441000030.
Schroer, C., Kruse, F., and G ¨ omez, J. M. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181:526–534.
Stephen, J. J. and P, P. (2019). Detecting the magnitude of depression in Twitter users using sentiment analysis. International Journal of Electrical and Computer Engineering (IJECE), 9(4):3247–3255. Number: 4.
von Sperling, O. (2019). UnB Sense : a web application to probe for signs of depression from user profiles on social media. Accepted: 2021-02-01T16:59:26Z.
von Sperling, O. and Ladeira, M. (2019). Mining Twitter Data for Signs of Depression in Brazil. In Anais do Symposium on Knowledge Discovery, Mining and Learning (KDMiLe), pages 25–32. SBC. ISSN: 2763-8944.
Williams, K. L. and Galliher, R. V. (2006). Predicting Depression and Self–Esteem from Social Connectedness, Support, and Competence. Journal of Social and Clinical Psychology, 25(8):855–874. Publisher: Guilford Publications Inc.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2024 Luan Mendes Gonçalves Freitas, Marcelo Ladeira, Marcos Fagundes Caetano
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
