Gerando explicações sobre a classificação de traços depressivos em publicações do Instagram com LIME

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.contributorMarques Junior, Paulo Roberto Mann-
Autor(es): dc.contributorCastro, Luciana Cardoso-
Autor(es): dc.contributorViterbo Filho, José-
Autor(es): dc.creatorPaula, Gustavo Lopes de-
Data de aceite: dc.date.accessioned2024-07-11T17:51:21Z-
Data de disponibilização: dc.date.available2024-07-11T17:51:21Z-
Data de envio: dc.date.issued2022-07-26-
Data de envio: dc.date.issued2022-07-26-
Data de envio: dc.date.issued2020-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/25851-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/758877-
Descrição: dc.descriptionAno após ano, a depressão avança na população mundial, acometendo cada vez mais pessoas. Estudos já apontam que a depressão será umas das maiores responsáveis pelo adoecimento da população até 2030. Isto tem servido como motivação para pesquisas em diversas áreas que buscam ajudar a combater o problema. Outro tópico contemporâneo é a adoção das redes sociais pela população, onde a partir delas, a população em geral cada vez mais consome e produz conteúdos. Grandes volumes de dados são produzidos nas redes sociais, sendo muitos deles de caráter pessoal e sentimental. Pesquisas com foco em aprendizado de máquina utilizam esses dados para treinar classificadores capazes de detectar sintomas depressivos em publicações. Porém, muitas dessas pesquisas focam apenas em métricas quantitativas do modelo e deixam de lado uma análise sobre o que o modelo foi capaz de aprender. Neste trabalho, buscou-se avaliar o que um classificador não-interpretável aprendeu através do uso de um explicador automático e agnóstico de modelo e verificar se o que foi aprendido é condizente com o existente na literatura de depressão. Os resultados foram satisfatórios ao mostrar que o modelo foi capaz de aprender características validadas pela literatura.-
Descrição: dc.descriptionYear after year, depression advances through the world population, affecting more and more people. Studies have already indicated that depression will be one of the leading causes of illness in the population until 2030. This prediction has served as motivation for research in several areas that aim at fighting this problem. Another contemporary topic is the widespread adoption of social networks by the population, where they increasingly consume and produce content. Large volumes of data are produced by social networks’ users, many of which are personal and sentimental. Researches focused on machine learning use these data to train classifiers capable of detecting depressive symptoms in publications. However, many of these researches focus only on the model’s quantitative metrics and leave aside an analysis of what the model could learn. In this work, we sought to evaluate what a classifier that lacks interpretability learned through a post-hoc agnostic explanation method. Furthermore, we verified if what was learned is consistent with what exists in the depression literature. The results were satisfactory in showing that the model was able to learn characteristics validated in the literature.-
Descrição: dc.description86 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.subjectRedes sociais-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectInterpretabilidade-
Palavras-chave: dc.subjectInteligência artificial explicável-
Palavras-chave: dc.subjectProcessamento de linguagem natural-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectRede social on-line-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectTranstorno depressivo-
Palavras-chave: dc.subjectDepression-
Palavras-chave: dc.subjectSocial networks-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectInterpretability-
Palavras-chave: dc.subjectExplainable Artificial Intelligence-
Palavras-chave: dc.subjectNatural language processing-
Título: dc.titleGerando explicações sobre a classificação de traços depressivos em publicações do Instagram com LIME-
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.