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...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
CAEN
2017-01-01
|
| Series: | Cuadernos de Neuropsicologia |
| Subjects: | |
| Online Access: | http://www.redalyc.org/articulo.oa?id=439656187002 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1825200777236316160 |
|---|---|
| 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 |
| collection | DOAJ |
| 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 |
| id | doaj-art-a06d4f213f9741ea8a4020b5d7f58c85 |
| institution | Kabale University |
| issn | 0718-4123 |
| language | English |
| publishDate | 2017-01-01 |
| publisher | CAEN |
| record_format | Article |
| series | Cuadernos de Neuropsicologia |
| spelling | doaj-art-a06d4f213f9741ea8a4020b5d7f58c852025-02-07T19:51:28ZengCAENCuadernos de Neuropsicologia0718-41232017-01-011134254https://doi.org/10.7714/CNPS/11.3.201Predicting Depression: a comparative study of machine learning approaches based on language usage.Luciana Mariñelarena-DondenaEdgardo FerrettiManolis MaragoudakisMaximiliano SapinoMarcelo Luis ErrecaldeLa 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%.http://www.redalyc.org/articulo.oa?id=439656187002depresiónaprendizaje automáticoaprendizaje profundosmote (synthetic minority oversampling technique) |
| spellingShingle | 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. Cuadernos de Neuropsicologia depresión aprendizaje automático aprendizaje profundo smote (synthetic minority oversampling technique) |
| title | 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_short | 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 |
| topic | depresión aprendizaje automático aprendizaje profundo smote (synthetic minority oversampling technique) |
| url | http://www.redalyc.org/articulo.oa?id=439656187002 |
| work_keys_str_mv | AT lucianamarinelarenadondena predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT edgardoferretti predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT manolismaragoudakis predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT maximilianosapino predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage AT marceloluiserrecalde predictingdepressionacomparativestudyofmachinelearningapproachesbasedonlanguageusage |