Identificação de depressão e/ou ansiedade em usuários de redes sociais

Resumo

Considerando a crescente problemática de doenças como depressão, este trabalho busca desenvolver um modelo preditivo capaz de classificar postagens realizadas em redes sociais em relação à depressão, utilizando técnicas de processamento de linguagem natural (PLN). A depressão é uma condição de saúde mental que afeta milhões de pessoas em todo o mundo e sua detecção precoce é crucial para oferecer suporte e intervenções apropriadas. Com o aumento da utilização das redes sociais, essas plataformas tornaram-se uma fonte rica de dados onde as pessoas expressam pensamentos e emoções, tornando este ambiente virtual uma potência para aplicação de técnicas de PLN, desde a coleta e pré-processamento dos dados, à aplicação de métodos de extração de características de textos e elaboração de modelos preditivos, para auxílio na questão da saúde mental. Este estudo realiza uma revisão bibliográfica de artigos recentes, buscando entender e aplicar as melhores técnicas e modelos, incluindo o uso de algoritmos de machine learning, como Support Vector Machine (SVM) e Random Forest, e técnicas de PLN, como TF-IDF e Bag of Words, que são essenciais para a coleta e limpeza de dados, entendimento das nuances linguísticas e implementação de algoritmos preditivos. Neste contexto, o objetivo do presente trabalho é desenvolver modelos de análise preditiva que aprendam a identificar discursos com tendências a distúrbios nas redes sociais, contribuindo para a literatura existente e abrindo novas possibilidades para a aplicação de tecnologias emergentes na área da saúde mental. Espera-se que os modelos desenvolvidos possam alcançar alta precisão na detecção de sinais de depressão e ansiedade, proporcionando uma ferramenta valiosa para profissionais de saúde, plataformas de redes sociais e para a elaboração de políticas públicas. Os resultados obtidos têm o potencial de melhorar significativamente a identificação precoce desses distúrbios, facilitando intervenções mais eficazes e oportunas. O impacto deste trabalho pode contribuir para auxiliar na promoção de tratamentos preventivos, bem como na diminuição do estigma que há sobre as questões de saúde mental.