Identificação de Sintomas de Depressão por Dados de Mídias Sociais: Aplicando Design Science Research para Desenvolver um Modelo de Classificação

• Silas Lima Filho Universidade Federal do Rio de Janeiro http://orcid.org/0000-0002-5611-7297
• Mônica Ferreira da Silva Universidade Federal do Rio de Janeiro https://orcid.org/0000-0003-0951-6612
• Jonice Oliveira Universidade Federal do Rio de Janeiro https://orcid.org/0000-0002-2495-1463

DOI: https://doi.org/10.5753/sbsi_estendido.2024.238603

Resumo

O artigo aborda a prevalência da depressão como uma condição incapacitante e destaca a importância da identificação precoce de sintomas para intervenções oportunas. Explorando o conteúdo gerado pelo usuário em redes sociais, o estudo propõe o uso de modelos de aprendizado de máquina na detecção de sintomas depressivos. Seguindo a metodologia DSR, a pesquisa valida a eficácia desses modelos em comparação com abordagens existentes, envolvendo profissionais de saúde e especialistas do domínio. O artigo introduz um modelo de stacking inovador, utilizando métricas LIWC de posts em redes sociais, contribuindo para a compreensão de soluções baseadas em aprendizado de máquina na identificação de sintomas do transtorno depressivo.

Palavras-chave: mídias sociais, transtorno depressivo, informática em saúde

Referências

Boscarioli, C., Araujo, R., and S. Maciel, R. (2017). I GranDSI-BR Grand Research Challenges in Information Systems in Brazil 2016-2026. SBC, Porto Alegre.

Cafezeiro, I., Viterbo, J., Costa, L., Salgado, L., Rocha, M., and Monteiro, R. (2017). Strengthening of the Sociotechnical Approach in Information Systems Research, pages 133–147.

Carvalho, L. P., Suzano, J. A., Gonçalvez, I., Pereira Filho, S., Santoro, F. M., and Oliveira, J. (2021). A psychosocial perspective about mental health and league of legends in brazil. Journal on Interactive Systems, 12(1):35–57.

De Choudhury, M. (2014). Opportunities of social media in health and well-being. XRDS, 21(2):23–27.

Elkin, N. (2008). How america searches: Health and wellness. Opinion Research Corporation: iCrossing, pages 1–17.

Fatima, I., Abbasi, B. U. D., Khan, S., Al-Saeed, M., Ahmad, H. F., and Mumtaz, R. (2019). Prediction of postpartum depression using machine learning techniques from social media text. Expert Systems, 36(4).

Filho, S. L., Carvalho, L., Brandão, M., Oliveira, J., Santoro, F., and da Silva, M. (2023a). Bresci na última década: Uma análise baseada em redes sociais. In Anais do XVII Brazilian e-Science Workshop, pages 9–16, Porto Alegre, RS, Brasil. SBC.

Filho, S. L., Carvalho, L., Suzano, J., Brandão, M., Oliveira, J., and Santoro, F. (2023b). Csbcset: Um conjunto de dados para uma década de csbc, seus eventos e publicações. In Anais do XII Brazilian Workshop on Social Network Analysis and Mining, pages 240–245, Porto Alegre, RS, Brasil. SBC.

Hevner, A., March, S., and Park, J. (2004). Design Science in Information Systems Research. MIS Quarterly: Management Information Systems, 28(1):75–105.

Horvitz, E. and Mulligan, D. (2015). Data, privacy, and the greater good. Science, 349(6245):253–255.

Lee, A. S. (2001). Editor’s comments: Mis quarterly’s editorial policies and practices. MIS Q., 25(1):iii–vii.

Liu, J. and Shi, M. (2022). A Hybrid Feature Selection and Ensemble Approach to Identify Depressed Users in Online Social Media. Frontiers in Psychology, 12:802821.

Low, D. M., Rumker, L., Torous, J., Cecchi, G., Ghosh, S. S., and Talkar, T. (2020). Natural language processing reveals vulnerable mental health support groups and heightened health anxiety on reddit during covid-19: Observational study. Journal of medical Internet research, 22(10):e22635.

Mohammed, M. B., Abir, A. S. M., Salsabil, L., Shahriar, M., and Fahmin, A. (2021). Depression Analysis from Social Media Data in Bangla Language: An Ensemble Approach. In 2021 Emerging Technology in Computing, Communication and Electronics (ETCCE), pages 1–6. IEEE.

P. Lima Filho, S., Ferreira da Silva, M., Oliveira, J., and Ruback, L. (2022). A study about gathering features in depression detection’ problem with health professionals community. iSys - Brazilian Journal of Information Systems, 15(1):10:1-10:26.

Pimentel, M., Filippo, D., and Santoro, F. M. (2019). Design Science Research: fazendo pesquisas científicas rigorosas atreladas ao desenvolvimento de artefatos computacionais projetados para a educação. In Metodologia de Pesquisa Científica em Informática na Educação: Concepção de Pesquisa (Volume 1), chapter 5, pages 29–43.

Reimers, N. and Gurevych, I. (2019). Sentence-bert: Sentence embeddings using siamese bert-networks. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing. Association for Computational Linguistics.

Simon, H. A. (2019). The sciences of the artificial. MIT press.

Skaik, R. and Inkpen, D. (2021). Using Social Media for Mental Health Surveillance. ACM Computing Surveys, 53(6):1–31.

Topi, H. and Tucker, A. (2014). Computing Handbook: Information Systems and Information Technology. Chapman & Hall book. CRC Press.

Tshimula, J. M., Chikhaoui, B., and Wang*, S. (2022). COVID-19: Detecting depression signals during stay-at-home period. Health Informatics Journal, 28(2):146045822210949.

Yen, S.-C., Chu, K.-C., and Tsai, P.-Y. (2021). Prediction model of social network suicide ideation by small sample. In 2021 IEEE 22nd International Conference on Information Reuse and Integration for Data Science (IRI), pages 385–389. IEEE.