Análisis de Sentimientos en Datos de Twitter para la Detección de la Depresión

La depresión es actualmente la principal causa de discapacidad en todo el mundo, aumentando significativamente la carga de la enfermedad. La depresión impacta los pensamientos, el comportamiento y la calidad de vida de una persona. Dado que hoy en día las personas tienden a discutir sus sentimientos y pensamientos sobre su salud mental en las redes sociales, varios investigadores han investigado recientemente el análisis de contenido de redes sociales para identificar y rastrear a usuarios tristes. Twitter es una plataforma popular para expresar las opiniones de las personas de manera sencilla y directa. Por lo tanto, numerosos investigadores han utilizado Twitter para obtener información sobre la depresión. Sin embargo, el análisis de sentimientos (AS) se complica cuando los tweets combinan dos idiomas. Este estudio tiene como objetivo detectar la depresión a partir de tweets escritos en malayo e inglés. Los datos se recuperan de Twitter y se preprocesan utilizando enfoques de preprocesamiento. A continuación, se extraen los sentimientos y se etiquetan como positivos, neutrales o negativos. Se aplican las técnicas de extracción de características de bolsa de palabras (BoW) y frecuencia de término frecuencia de documento inverso (TF-IDF) a los sentimientos. Los clasificadores de Aprendizaje Automático (AM) como Máquina de Vectores de Soporte (MVS), Bosque Aleatorio (BA), Bayes Naive (BN) y arquitectura de Memoria a Largo y Corto Plazo (LSTM), una técnica de Aprendizaje Profundo (AP), se utilizan para analizar el conjunto de datos. La evaluación del rendimiento de los modelos incluye las cuatro medidas estándar, la Curva Característica del Receptor (CCR) y el Área Bajo la Curva (ABC). El resultado muestra que la Máquina de Vectores de Soporte es el modelo más adecuado para nuestro estudio en curso.