Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/7964
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorSaúl Tovar Arriagaes_ES
dc.creatorLuis Roberto García Noguezes_ES
dc.date2023-02-01-
dc.date.accessioned2023-05-02T14:26:57Z-
dc.date.available2023-05-02T14:26:57Z-
dc.date.issued2023-02-01-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/7964-
dc.descriptionEn los últimos años, la identificación de rasgos de enfermedad mental en las plataformas de redes sociales se ha vuelto popular con el aumento en el uso de estos sitios de internet. Sin embargo, detectar estos rasgos en pacientes depresivos mediante el uso de herramientas de Inteligencia Artificial resulta complejo debido a ciertas características que dificultan la correcta detección de este tipo de enfermedades, como la similitud de síntomas entre enfermedades mentales similares. Trabajando en este punto, en este estudio se analizaron a los usuarios deprimidos de las redes sociales de la base de datos CLPsych 2015 en función de dos de los tipos más comunes de depresión: el Trastorno Depresivo Mayor y el Trastorno Depresivo Persistente. Para lograrlo, se llevó a cabo un análisis de temporalidad, sintomatológico y emocional para distinguir estos dos tipos de depresión. Asimismo, se usó un modelo CNN para clasificar a los usuarios. Se obtuvieron mejores resultados en base a las métricas de exactitud, puntaje F1, precisión y sensibilidad (85,72 %, 85,45 %, 85,82 % y 85,51 %) para el grupo de usuarios propuestos con características de Trastorno Depresivo Persistente. En general, el clasificar brindó resultados más altos cuando se clasificaron a los usuarios en los dos grupos propuestos en comparación a cuando se clasificar los dos conjuntos unidos. Este estudio es un intento positivo de analizar los rasgos asociados a la depresión en función de dos de los tipos más comunes de esta patología utilizando criterios temporales y emociones distintivas para reducir los sesgos a consecuencia de la falta de especificidad observada en estudios anteriores, lo que supone un avance en la caracterización de sujetos con rasgos de depresión que usan la plataforma Twitter.es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.publisherIngenieríaes_ES
dc.relation.requiresSies_ES
dc.rightsAcceso Abiertoes_ES
dc.subjectIngeniería y Tecnologíaes_ES
dc.subjectCiencias Tecnológicases_ES
dc.subjectOtras especialidades tecnológicases_ES
dc.titleIdentificación de rasgos asociados a la depresión mediante técnicas de aprendizaje automático y procesamiento de lenguaje naturales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorhttps://orcid.org/0000-0002-6716-9148es_ES
dc.contributor.identificadorTOAS790720HQTVRL08es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias en Inteligencia Artificial

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI007285.pdf1.99 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.