Detecção de Comportamentos Depressivos e Suicidas no Twitter por Aprendizado de Máquina usado técnica de PLN
Resumo
Este estudo apresenta uma abordagem automatizada para coleta e análise de dados textuais em redes sociais, com foco na detecção de emoções associadas a comportamentos depressivos e ideação suicida. Foram aplicadas técnicas de mineração de texto e processamento de linguagem natural para classificar postagens do Twitter em seis emoções: alegria, desgosto, medo, raiva, surpresa e tristeza. O modelo obteve desempenho excelente, com valores de AUC acima de 0,99 e alta precisão na detecção de emoções negativas como raiva e medo (95,6%). A matriz de confusão revelou classificações coerentes, indicando o potencial do uso dessas tecnologias como ferramentas complementares no monitoramento da saúde mental em plataformas digitais.
Palavras-chave:
Mineração de texto, Saúde mental, Detecção de emoções, Redes sociais, Processamento de linguagem natural
Referências
Alhuzali, H., Zhang, T., e Ananiadou, S. (2022). Emotions and topics expressed on twitter during the covid-19 pandemic in the united kingdom: Comparative geolocation and text mining analysis. Journal of Medical Internet Research, 24(10):e40323.
Becker, L. (2019). Algoritmo de classificação naive bayes. Acesso em: 5 jun. 2025.
Ekman, P. (1992). An argument for basic emotions. Cognition and Emotion, 6(3–4):169–200.
Ekman, P. (1999). Basic emotions. In Dalgleish, T. e Power, M., editors, Handbook of Cognition and Emotion, pages 45–60. John Wiley Sons.
Luu, T. J. P. e Follmann, R. (2023). The relationship between sentiment score and covid-19 cases in the united states. Journal of Information Science, 49(6):1615–1630.
Mirhatheri, S. L., Greco, S., e Shahbazian, R. (2024). A self-attention tcn-based model for suicidal ideation detection from social media posts. Expert Systems with Applications, 255:124855.
Nijhawan, T., Attigeri, G., e Ananthakrishna, T. (2022). Stress detection using natural language processing and machine learning over social interactions. Journal of Big Data, 9(1):33.
Ray, S. (2016). 6 passos fáceis para aprender o algoritmo naive bayes (com o código em python). Tradução de: *6 Easy Steps to Learn Naive Bayes Algorithm (with code in Python)*. Acesso em: 5 jun. 2025.
Salas-Zarate, R., Alor-Hernandez, G., Paredes-Valverde, M. A., del Pilar Salas-Zárate, M., Bustos-López, M., e Sánchez-Cervantes, J. L. (2024). Mental-health: An nlp-based system for detecting depression levels through user comments on twitter (x). Mathematics, 12(1926).
Sawhney, R., Joshi, H., Flek, L., e Shah, R. R. (2021a). Phase: Learning emotional phase-aware representations for suicide ideation detection on social media. In Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, pages 2415–2428. Association for Computational Linguistics.
Sawhney, R., Joshi, H., Shah, R. R., e Flek, L. (2021b). Suicide ideation detection via social and temporal user representations using hyperbolic learning. In Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pages 2176–2190. Association for Computational Linguistics.
Becker, L. (2019). Algoritmo de classificação naive bayes. Acesso em: 5 jun. 2025.
Ekman, P. (1992). An argument for basic emotions. Cognition and Emotion, 6(3–4):169–200.
Ekman, P. (1999). Basic emotions. In Dalgleish, T. e Power, M., editors, Handbook of Cognition and Emotion, pages 45–60. John Wiley Sons.
Luu, T. J. P. e Follmann, R. (2023). The relationship between sentiment score and covid-19 cases in the united states. Journal of Information Science, 49(6):1615–1630.
Mirhatheri, S. L., Greco, S., e Shahbazian, R. (2024). A self-attention tcn-based model for suicidal ideation detection from social media posts. Expert Systems with Applications, 255:124855.
Nijhawan, T., Attigeri, G., e Ananthakrishna, T. (2022). Stress detection using natural language processing and machine learning over social interactions. Journal of Big Data, 9(1):33.
Ray, S. (2016). 6 passos fáceis para aprender o algoritmo naive bayes (com o código em python). Tradução de: *6 Easy Steps to Learn Naive Bayes Algorithm (with code in Python)*. Acesso em: 5 jun. 2025.
Salas-Zarate, R., Alor-Hernandez, G., Paredes-Valverde, M. A., del Pilar Salas-Zárate, M., Bustos-López, M., e Sánchez-Cervantes, J. L. (2024). Mental-health: An nlp-based system for detecting depression levels through user comments on twitter (x). Mathematics, 12(1926).
Sawhney, R., Joshi, H., Flek, L., e Shah, R. R. (2021a). Phase: Learning emotional phase-aware representations for suicide ideation detection on social media. In Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics, pages 2415–2428. Association for Computational Linguistics.
Sawhney, R., Joshi, H., Shah, R. R., e Flek, L. (2021b). Suicide ideation detection via social and temporal user representations using hyperbolic learning. In Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, pages 2176–2190. Association for Computational Linguistics.
Publicado
12/08/2025
Como Citar
ANDRADE, Quele da Silva; SANTOS, Jeovane dos Santos; BRITO, Franklin Andrade de; SILVA, Camila Bezerra da.
Detecção de Comportamentos Depressivos e Suicidas no Twitter por Aprendizado de Máquina usado técnica de PLN. In: ESCOLA REGIONAL DE COMPUTAÇÃO BAHIA, ALAGOAS E SERGIPE (ERBASE), 25. , 2025, Lagarto/SE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 11-20.
DOI: https://doi.org/10.5753/erbase.2025.12933.
