03/02/2022 - Pesquisadores de Dartmouth construíram um modelo de inteligência artificial para detectar transtornos mentais usando conversas no Reddit, parte de uma onda emergente de ferramentas de triagem que usam computadores para analisar postagens de mídia social e obter uma visão dos estados mentais das pessoas. O que diferencia o novo modelo é o foco nas emoções e não no conteúdo específico dos textos de mídia social que estão sendo analisados.
Em um artigo apresentado na 20th International Conference on Web Intelligence and Intelligent Agent Technology, os pesquisadores mostram que essa abordagem tem melhor desempenho ao longo do tempo, independentemente dos tópicos discutidos nas postagens.
Existem muitas razões pelas quais as pessoas não procuram ajuda para distúrbios de saúde mental – estigma, altos custos e falta de acesso a serviços são algumas barreiras comuns. Há também uma tendência a minimizar os sinais de transtornos mentais ou confundí-los com estresse, diz Xiaobo Guo, Guarini '24, coautor do artigo. É possível que eles busquem ajuda com alguma orientação, diz ele, e é aí que as ferramentas de triagem digital podem fazer a diferença.
"A mídia social oferece uma maneira fácil de explorar o comportamento das pessoas", diz Guo. Os dados são voluntários e públicos, publicados para que outros leiam, diz ele. O Reddit, que oferece uma enorme rede de fóruns de usuários, foi sua plataforma de escolha porque tem quase meio bilhão de usuários ativos que discutem uma ampla gama de tópicos. As postagens e comentários estão disponíveis publicamente, e os pesquisadores podem coletar dados desde 2011.
Em seu estudo, os pesquisadores se concentraram no que chamam de transtornos emocionais – transtornos depressivos maiores, ansiedade e bipolares – que são caracterizados por padrões emocionais distintos. Eles analisaram dados de usuários que relataram ter um desses transtornos e de usuários sem transtornos mentais conhecidos.
Eles treinaram seu modelo para rotular as emoções expressas nas postagens dos usuários e mapear as transições emocionais entre as diferentes postagens, para que uma postagem pudesse ser rotulada como "alegria", "raiva", "tristeza", "medo", "sem emoção" ou uma combinação destes. O mapa é uma matriz que mostra a probabilidade de um usuário passar de um estado para outro, como de raiva para um estado neutro de nenhuma emoção.
Leia também - Indo além dos nossos cinco sentidos: aqueles sobre os quais não falamos
Diferentes distúrbios emocionais têm seus próprios padrões de transições emocionais. Ao criar uma "impressão digital" emocional para um usuário e compará-la com assinaturas estabelecidas de distúrbios emocionais, o modelo pode detectá-las. Para validar seus resultados, eles o testaram em postagens que não foram usadas durante o treinamento e mostraram que o modelo prevê com precisão quais usuários podem ou não ter um desses distúrbios.
Essa abordagem evita um problema importante chamado "vazamento de informações" que as ferramentas típicas de triagem enfrentam, diz Soroush Vosoughi, professor assistente de ciência da computação e outro co-autor. Outros modelos são construídos em torno de escrutinar e confiar no conteúdo do texto, diz ele, e embora os modelos mostrem alto desempenho, eles também podem ser enganosos.
Por exemplo, se um modelo aprender a correlacionar “COVID” com “tristeza” ou “ansiedade”, explica Vosoughi, naturalmente assumirá que um cientista estudando e postando (de forma bastante desapaixonada) sobre o COVID-19 está sofrendo de depressão ou ansiedade. Por outro lado, o novo modelo apenas se concentra na emoção e não aprende nada sobre o tópico ou evento específico descrito nas postagens.
Embora os pesquisadores não analisem estratégias de intervenção, eles esperam que este trabalho possa apontar o caminho para a prevenção. Em seu artigo, eles defendem um escrutínio mais cuidadoso de modelos baseados em dados de mídia social. "É muito importante ter modelos com bom desempenho", diz Vosoughi, "mas também entender seu funcionamento, preconceitos e limitações".
Fonte: https://techxplore.com/