Transferência de modelos entre redes sociais para rastreio de sintomas de depressão

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.contributorMarques Junior, Roberto Mann-
Autor(es): dc.contributorCarvalho, Jonnathan dos Santos-
Autor(es): dc.contributorBenevides, Mário Roberto Folhadela-
Autor(es): dc.creatorSouza, Felipe Holanda de-
Data de aceite: dc.date.accessioned2024-07-11T17:33:54Z-
Data de disponibilização: dc.date.available2024-07-11T17:33:54Z-
Data de envio: dc.date.issued2022-07-07-
Data de envio: dc.date.issued2022-07-07-
Data de envio: dc.date.issued2020-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/25627-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/752866-
Descrição: dc.descriptionA depressão é hoje um transtorno mental que vem atingindo cada vez mais as pessoas no mundo inteiro. No Brasil, a porcentagem da população afetada pela depressão é maior que a porcentagem da média global. Esses dados são alarmantes, e é ainda mais grave que casos de depressão dentro do ambiente acadêmico sejam cada dia mais comuns. O período universitário é repleto de desafios e aprendizados, mas, infelizmente, em certos casos, a pressão, obstáculos e o próprio ambiente, podem acabar levando o estudante a um caso de depressão. Assim, busca-se neste trabalho implementar uma ferramenta que utiliza técnicas de aprendizado de máquina e dados gerados por estudantes nas redes sociais, para identificar, de forma automática, características ligadas à depressão em suas publicações. As contribuições dessa monografia incluem a criação de um modelo de aprendizado que usa embeddings contextualizados seguido de uma rede recorrente e uma investigação na transferência de modelos aprendidos entre duas redes sociais distintas. Supõe-se que usar dados de redes sociais e integrar publicações de diferentes redes pode trazer uma representação mais próxima do usuário. Tais publicações são obtidas de forma relativamente fácil, além de serem geradas de forma espontânea pelos usuários. As publicações dos usuários são oriundas da rede social Instagram, também investigada em um trabalho anterior, e acrescenta as publicações oriundas do Twitter, para assim, explorar diferentes perspectivas para a construção do classificador. Os resultados alcançados mostraram que quando mais de uma rede social foi utilizada, fixando a rede social utilizada no teste e variando aquela utilizada no treino, foram obtidos resultados tão bons e/ou melhores do que aqueles que eram obtidos quando se utilizava somente uma rede social no processo, concluindo que a análise da transferência de modelos ocorreu com sucesso. Ainda assim, quando avaliou-se o novo modelo aqui proposto, os resultados do mesmo foram parecidos com os modelos mais simples usados como base de comparação. Apesar da expectativa dos resultados deste novo modelo ser alta, por conta de sua estrutura mais complexa, considera-se o resultado desta análise foi satisfatória por ser um primeiro passo para a implementação de um modelo como este, podendo ser evoluído no futuro. Com isso, pode-se concluir que a metodologia aqui utilizada funciona, e que pode servir como inspiração e base para futuros trabalhos para ajudar na tarefa de identificação da depressão através das redes sociais e auxiliar aqueles que sofrem deste mal a obter tratamento o quanto antes.-
Descrição: dc.descriptionDepression is now a mental disorder that has been affecting more and more people all over the world. In Brazil, the percentage of the population affected by depression is higher than the global average. These data are alarming, and it is even more serious that cases of depression within the academic environment are becoming more common every day. The university period is full of challenges and learnings, but unfortunately, in certain cases, the pressure, obstacles, and the environment itself can lead the student to a case of depression. Thus, this paper seeks to implement a tool that uses machine learning techniques and data generated by students on social networks to automatically identify characteristics linked to depression in their posts. The contributions of this monograph include the creation of a learning model that uses contextualized embeddings followed by a recurrent network and an investigation into the transfer of learned models between two distinct social networks. It is assumed that using social network data and integrating publications from different networks can bring a representation closer to the user. Such publications are obtained relatively easily, and are also generated spontaneously by users. The users’ publications come from the social network Instagram, also investigated in a previous work, and adds the publications coming from Twitter, to thus explore different perspectives for the construction of the classifier. The results achieved showed that when more than one social network was used, fixing the social network used in the test and varying the one used in training, results were obtained as good and/or better than those obtained when only one social network was used in the process, concluding that the model transfer analysis occurred successfully. Still, when the new model proposed here was evaluated, its results were similar to the simpler models used as a basis for comparison. Although the expectation for the results of this new model is high, due to its more complex structure, the result of this analysis is considered satisfactory because it is a first step towards the implementation of a model like this, and can be evolved in the future. With this, it can be concluded that the methodology used here works, and that it can serve as inspiration and basis for future works to help in the task of identifying depression through social networks and help those who suffer from this illness to obtain treatment as soon as possible.-
Descrição: dc.description100 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectDepressão-
Palavras-chave: dc.subjectEstudante-
Palavras-chave: dc.subjectAcadêmico-
Palavras-chave: dc.subjectAprendizado de Máquina-
Palavras-chave: dc.subjectClassificador-
Palavras-chave: dc.subjectRede Social-
Palavras-chave: dc.subjectInstagram-
Palavras-chave: dc.subjectTwitter-
Palavras-chave: dc.subjectVariação-
Palavras-chave: dc.subjectTranferência-
Palavras-chave: dc.subjectTranstorno depressivo-
Palavras-chave: dc.subjectEstudante universitário-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectRede social on-line-
Palavras-chave: dc.subjectDepression-
Palavras-chave: dc.subjectStudent-
Palavras-chave: dc.subjectAcademic-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectClassifier-
Palavras-chave: dc.subjectSocial Network-
Palavras-chave: dc.subjectVariation-
Palavras-chave: dc.subjectTransfer-
Título: dc.titleTransferência de modelos entre redes sociais para rastreio de sintomas de depressão-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.