Identificación de rasgos asociados a la depresión mediante técnicas de aprendizaje automático y procesamiento de lenguaje natural

Luis Roberto García Noguez

Buscar

dc.rights.license	http://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Saúl Tovar Arriaga	es_ES
dc.creator	Luis Roberto García Noguez	es_ES
dc.date	2023-02-01
dc.date.accessioned	2023-05-02T14:26:57Z
dc.date.available	2023-05-02T14:26:57Z
dc.date.issued	2023-02-01
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/7964
dc.description	En 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.format	Adobe PDF	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Ingeniería	es_ES
dc.relation.requires	Si	es_ES
dc.rights	Acceso Abierto	es_ES
dc.subject	Ingeniería y Tecnología	es_ES
dc.subject	Ciencias Tecnológicas	es_ES
dc.subject	Otras especialidades tecnológicas	es_ES
dc.title	Identificación de rasgos asociados a la depresión mediante técnicas de aprendizaje automático y procesamiento de lenguaje natural	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	curp	es_ES
dc.creator.identificador	https://orcid.org/0000-0002-6716-9148	es_ES
dc.contributor.identificador	TOAS790720HQTVRL08	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES