Mostrar el registro sencillo del ítem

dc.contributor.author
Mariñelarena-Dondena, Luciana  
dc.contributor.author
Ferretti, Edgardo  
dc.contributor.author
Maragoudakis, Manolis  
dc.contributor.author
Sapino, Maximiliano Emanuel  
dc.contributor.author
Errecalde, Marcelo Luis  
dc.date.available
2021-11-19T19:15:16Z  
dc.date.issued
2017-12  
dc.identifier.citation
Mariñelarena-Dondena, Luciana; Ferretti, Edgardo; Maragoudakis, Manolis; Sapino, Maximiliano Emanuel; Errecalde, Marcelo Luis; Predicting Depression: a comparative study of machine learning approaches based on language usage; Centro de Estudios Académicos en Neuropsicología; Cuadernos de Neuropsicología; 11; 3; 12-2017; 42-54  
dc.identifier.uri
http://hdl.handle.net/11336/147208  
dc.description.abstract
Depression is a major public health concern and a leading cause of disability. Globally, more than 332 million people of all ages suffer from depression. Several studies in the literature show that people language usage is indicative of their psychological states. That is why, there is growing interest in the application of natural language processing techniques for predicting depression. In this current work, we present a comparative study of different machine learning methods and alternative ways of representing documents in order to automatically detect users who have reported to have been diagnosed with depression. The obtained results have demonstrated that a Deep Learning approach had the superior classification performance, when combined with a Synthetic Minority Oversampling Technique to deal with the problem of class imbalances in the dataset used in our experiments. The F1 score achieved was 82.93% with an accuracy of more than 94%.  
dc.description.abstract
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%.  
dc.description.abstract
A depressão é um dos maiores problemas de saúde pública que constitui por sua vez uma das principais causas de incapacidade. A nível mundial, mais de 332 milhões de pessoas de todas as idades padecem deste transtorno. Investigações prévias demonstram que a linguagem que utilizam as pessoas refletem a sua saúde mental. Por tal motivo, existe um crescente interesse na aplicação de técnicas de processamento da linguagem natural para prognosticar a depressão. Neste trabalho se apresenta um estudo comparativo de diferentes métodos de aprendizagem automático como assim também distintas maneiras de representação dos documentos com a finalidade de detectar automaticamente àqueles usuários de meios sociais que manifestaram haver sido diagnosticados previamente com depressão. Os resultados obtidos mostraram que a performance do classificador melhorou consideravelmente quando se aplicou um enfoque de Aprendizagem Profunda combinando com o algoritmo SMOTE (Synthetic Minority Oversampling TEchnique) que permite fazer frente ao problema das classes desbalanceadas alcançando assim uma medida F1 del 82.93%. Em síntese, este enfoque combinado SMOTE + Aprendizagem Profundo prognostica a depressão com uma exatidão de mais de 94%.  
dc.format
application/pdf  
dc.language.iso
eng  
dc.publisher
Centro de Estudios Académicos en Neuropsicología  
dc.rights
info:eu-repo/semantics/openAccess  
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/  
dc.subject
DEPRESSION  
dc.subject
MACHINE LEARNING  
dc.subject
DEEP LEARNING  
dc.subject
SMOTE (SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE)  
dc.subject.classification
Otras Ciencias de la Computación e Información  
dc.subject.classification
Ciencias de la Computación e Información  
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS  
dc.title
Predicting Depression: a comparative study of machine learning approaches based on language usage  
dc.title
Prediciendo la depresión: un estudio comparativo de distintos enfoques de aprendizaje automático basado en el análisis del lenguaje  
dc.title
Prognosticando a depressão: um estudo comparativo de diferentes enfoques da aprendizagem automática baseada na análise da linguagem  
dc.type
info:eu-repo/semantics/article  
dc.type
info:ar-repo/semantics/artículo  
dc.type
info:eu-repo/semantics/publishedVersion  
dc.date.updated
2020-05-11T19:21:59Z  
dc.identifier.eissn
0718-4123  
dc.journal.volume
11  
dc.journal.number
3  
dc.journal.pagination
42-54  
dc.journal.pais
Chile  
dc.journal.ciudad
Valparaiso  
dc.description.fil
Fil: Mariñelarena-Dondena, Luciana. Universidad Nacional de San Luis. Facultad de Ciencias Físico Matemáticas y Naturales. Departamento de Informática. Laboratorio Investigación y Desarrollo en Inteligencia Computacional; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - San Luis; Argentina  
dc.description.fil
Fil: Ferretti, Edgardo. Universidad Nacional de San Luis; Argentina  
dc.description.fil
Fil: Maragoudakis, Manolis. University of the Aegean; Grecia  
dc.description.fil
Fil: Sapino, Maximiliano Emanuel. Universidad Nacional de San Luis. Facultad de Ciencias Físico Matemáticas y Naturales. Departamento de Informática. Laboratorio Investigación y Desarrollo en Inteligencia Computacional; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - San Luis; Argentina  
dc.description.fil
Fil: Errecalde, Marcelo Luis. Universidad Nacional de San Luis; Argentina  
dc.journal.title
Cuadernos de Neuropsicología  
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://www.cnps.cl/index.php/cnps/article/view/297  
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.7714/CNPS/11.3.201