Twitter como herramienta para detectar depresión (Matemáticas de la vida cotidiana_Tarea2)

La depresión es uno de los mayores problemas de salud pública a nivel mundial. Sin embargo, en muchos casos no es detectada ni/o tratada, lo que dificulta disminuir el problema.

Normalmente, para evaluar la depresión se usan cuestionarios como el Beck’s Depression Scale (BDI) o el Zung’s Self-rating Depression Scale (SDS). Pero, ¿Podrían usarse las redes sociales para detectar depresión?

Las redes sociales aportan una cantidad enorme de datos que pueden tener muchos usos: predecir los índices de mercado, resultados de elecciones, el tráfico, etc. Además, las redes sociales sirven para expresar emociones y sentimientos, y pueden ser útiles para detectar síntomas de depresión. Esto es algo que se ha hecho en varios estudios en los que, analizando distintas variables de Twitter, se pudo estimar los casos de depresión. Y, ¿Cómo se consigue detectar depresión en un perfil de Twitter?

Se pueden tener en cuenta muchos parámetros que pueden aportar más o menos información, pero vamos a centrarnos en un estudio concreto para comprender cómo puede ser un modelo para la detección de depresión en redes sociales. En el artículo que se va a explicar a continuación, titulado Recognizing Depression from Twitter Activity, se consiguió estimar la depresión con un 69% de efectividad.

Las variables que se tuvieron en cuenta se presentan más adelante. Al lado de cada variable se indica si ha habido diferencias significativas (DS) entre personas con o sin depresión, si ha habido diferencias numéricas, pero no significativas (D), o si no ha habido diferencias (ND):

• Frecuencia del uso de determinadas palabras →ND
• Tema de los tweets
• Ratio de palabras positivas contenidas en los tweets → DS
• Ratio de palabras negativas contenidas en los tweets → DS
• Horas a las que se twittea →ND
• Frecuencia en la que se twittea al día →DS
• Cantidad de palabras por tweet →ND
• Tasa de retweets (RT) →DS
• Tasa de menciones →ND
• Tasa de tweets que contenían URL→DS
• Número de seguidos →D
• Número de seguidores →D

Una vez que se conocen las variables más significativas, se usó un modelo de machine learning, combinados de distintos modos las variables estudiadas. Los resultados de precision, recall, F-measure y accuracy fueron los siguientes:

Como se puede observar, los mejores resultados se obtienen usando un modelo que tenga en cuenta 10 temas, los ratios de palabras positivas y negativas, la frecuencia de tweets, el uso de URLs y el número de seguidos y seguidores.

En este estudio también se observó que con 500–1000 tweets se obtiene suficiente información como para reconocer la depresión. También se observa que se necesitan alrededor de dos meses de datos de observación y que períodos de observación más largos no contribuyen a mejorar la precisión de los resultados.

Como se puede ver, ciertos datos sobre el uso de redes sociales, como Twitter, pueden resultar interesantes para conseguir modelos que pueden llegar a ser una herramienta útil para detectar síntomas depresivos y poder diagnosticar estos problemas de una manera más temprana y eficaz.

Fuente: Sho Tsugawa, Yusuke Kikuchi, Fumio Kishino, Kosuke Nakajima, Yuichi Itoh, and Hiroyuki Ohsaki. 2015. Recognizing Depression from Twitter Activity. In Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems (CHI '15). Association for Computing Machinery, New York, NY, USA, 3187–3196. DOI:https://doi.org/10.1145/2702123.2702280